Synthèse et évaluation des prévisions saisonnières en...

1 . ut de r herchepour le développement UNIVERSITE MONTP'ELUER /1

~CTlSCMIWQVIJSOU~

Ecole Doctorale: Sciences de la Terre et de l'Eau

DEA Sciences de l'Eau dans l'Environnement Continental

Synthèse et Evaluation des PrévisionsSaisonnières en Afrique de l'Ouest

Par HAMATAN Mohamed

Soutenu le 23 septembre 2002 devant le jury composé de :

M. DESBORDES Michel, Professeur, Responsable de la Formation Doctorale

M. SERYAT Eric, Directeur de Recherche, IRD-Montpellier, Maître de stage

M. DELACOURT Alain, Professeur à l'ENGREF

M. MADE GU, Chargé de Recherche, IRD-Ouaga, Maître de stage

M. PATUREL Jean Emmanuel, Chargé de Recherche, IRD-Ouaga, Maître de stage

Synthèse et Evaluation des Prévisions Saisonnières en Afrique de l'Ouest

REMERCIEMENTS

Je tiens à remercier le Professeur Michel Desbordes, pour avoir accepté macandidature au DEA, une formation au cours de laquelle j'ai beaucoup appris.

Toute ma reconnaissance à mon Directeur de stage, Monsieur Eric Servatpour ses conseils et critiques qui m'ont éclairé sur des thèmes clés de montravail. Je le remercie aussi pour m'avoir accepté dans son Laboratoire où tousles moyens logistiques étaient mis à ma disposition pour le bon déroulement dustage.

A Monsieur Alain Delacourt pour avoir accepté d'examiner ce travail.

Ma profonde reconnaissance à Monsieur Gil Mahé qui malgrél'éloignement, a suivi et guidé mon travail. C'est d'ailleurs grâce à ses conseilstrès enrichissants que nous sommes parvenus à ces résultats. Je ne sauraiexprimer à travers ces mots, toute l'aide qu'il m'a apportée durant ma formationet les six mois de stage.

J'exprime ma gratitude à Monsieur Abou Amani pour m'avoir initié à cetravail à travers des entretiens par lesquels il a su m'intéresser à ce thème.

Mes remerciements vont à Monsieur Jean-Emmanuel Paturel pour sescritiques pertinentes qui m'ont aidé à améliorer ce document; et également pouravoir soutenu avec Monsieur Gil Mahé, ma candidature auprès de l'Agrhymet,pour cette formation.

Ma reconnaissance à Monsieur Patrick Bisson pour n'avoir ménagé aucuneffort dans l'organisation de mes missions à Niamey et à Ouagadougou.

Je remercie Mademoiselle Sandra Ardoin pour l'aide qu'elle m'a apportéeau cours de ce travail.

Je remercie enfin tout le personnel de la Maison des Sciences de l'Eau pourson accueil et sa gentillesse.

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 1


ABREVIATIONS

ABN : Autorité du Bassin du Niger

ACMAD : African Center of Meteorological Applications for Development

AGRHYMET : Centre Régional AGRo-HYdro-METéorologique du CILSS

AMIP : Atmospheric Model Intercomparison Project

ARPEGE : Action de Recherche Petite Echelle et Grande Echelle

CEPMMT : Centre Européen de Prévision Météorologique à Moyen Terme

CLIVAR: Climatic Variability and Predictability

CMC : Centre Météorologique Canadien

EA : indice de températures de l'Atlantique Equatorial Sud

EOF3 : (Empirique Orthogonal Fonction), indice de températures de la troisièmecomposante de l'océan global

FIT : Front InterTropical

ICRISAT : International Crops Research Institute for the Semi-Arid Tropics

IRD : Institut français de Recherche pour le Développement

NIN03 : indice de températures de surface au niveau du pacifique centre

NWA : indice de températures de surface au niveau de l'Atlantique Nord-Ouest

O.M.M. : Organisation Mondiale de la IVlétéorologie

PATOM : Programme national Atmosphère et Océan à Multi-échelles

PRESA-AF : PREvision SAisonnière et ses applications en AFrique

PRESAO : PREvision Saisonnière en Afrique de l'Ouest (Processus)

presao : prévision saisonnière en Afrique de l'Ouest

SIEREM : Système d'Information Environnemental sur les Ressources en Eau etleur Modélisation

UPWEQ : indice de températures de surface au niveau de l'Upwelling EquatorialAtlantique

ZCIT : Zone de Convergence InterTropicale



RESUME

L'objectif de cette étude est de faire une évaluation des prevIsionssaisonnières en Afrique de l'Ouest depuis Je début du processus PRESAO en1998 ; et de mettre au point d'autres paramètres océaniques ou continentaux,susceptibles d'influencer les précipitations de la région ouest africaine.Cette étude a été menée pour quatre pays : le Bénin, la Guinée, le Mali et leTchad.

L'évaluation des prévisions saisonnières sur la période 1991-1997, montrebien l'insuffisance des seules températures de surface de la mer jusqu'iciutilisées par le PRESAO, à expliquer les précipitations en Afrique de l'Ouest.

L'utilisation de la fenêtre 8°W-12°Wj2°N-2°S à travers les anomalies detempératures de surface de la mer, améliore légèrement les scores. Ceciconfirme les fortes connexions entre la pluviométrie en Afrique de l'Ouest et leszones océaniques. Ce qui, du reste, encourage l'exploration d'autres prédicteurs.

Une méthode d'évaluation des prévisions saisonnières, a été proposée pourcontribuer à simplifier cette tache lors des prochains PRESAO.

Mots clés:

Prévision Saisonnière, Afrique de l'Ouest, précipitations, écoulements,température de surface océanique.



INTRODUCTION

Dans le cadre d'une convention IRD-AGRHYMET, un sujet de DEA à étéproposé bénéficiant du financement de la Coopération Française au Niger.Après la formation théorique à l'Ecole Doctorale, Sciences de la Terre et del'Eau/Université des Sciences et Techniques du Languedoc (Montpellier), nousavons effectué un stage pour développer le sujet de DEA proposé.Au début du stage, une mission d'un mois nous a conduit au Centre RégionalAgrhymet (Niamey-Niger) sous l'encadrement de Monsieur Abou Amani, puis àl'Unité IRD détachée à l'EIER (Ouagadougou-Burkina Faso) sous l'encadrementde Messieurs Gil Mahé et Jean-Emmanuel Paturel. Cette mission avait pourobjectif, la collecte des données de températures de surface de la mer,l'acquisition et la prise en main des outils de prévisions.La phase de traitement et d'analyse a été conduite au laboratoired'Hydrosciences / Maison des Sciences de l'Eau de Montpellier sous la directionde Monsieur Eric Servat.

L'objectif visé est d'une part, évaluer les performances des modèles deprévisions saisonnières élaborés par le PRESAO ; une opération très importantepour l'avenir du processus PRESAO. D'autre part, améliorer les prévisions àtravers la mise au point des nouveaux indicateurs climatiques à corréler avec lesindices pluviométriques (cumul JAS) et hydrologiques (débits de crues, débitmoyen de la période de crue).

Disons que la saison des pluies occupe une place centrale dans les activitéssocio-économiques en régions sahéliennes, dans la mesure où plus de 80% de lapopulation vit de l'agriculture et de l'élevage. L'agriculture qui apparaît commeprincipale activité des pays de l'Afrique de l'Ouest, est la plus grandeconsommatrice d'eau. Compte tenu de la demande de plus en plus importante etde la tendance à la baisse des précipitations, la gestion des ressources en eaudevient un exercice très préoccupant.

Les changements climatiques influencent fortement la disponibilité desressources en eau par des variations de l'évaporation et des précipitations ;lesquelles expliquent à plus de 60% la production agricole des pays sahéliens del'Afrique de l'Ouest (Amani, 1999).

Dans de nombreuses régions, notamment dans les pays en voie dedéveloppement, la population souffre déjà d'un manque d'eau très pressant, quiva s'accentuer sous l'influence de la croissance démographique galopante et deseffets du changement climatique.

Les catastrophes (inondations ou sécheresses) régulièrement observées sont àl'origine, provoquées par des anomalies liées à la variabilité naturelle du climat.Ces situations fréquentes, à conséquences dommageables, ont suscité denombreuses recherches afin de comprendre les raisons d'une telle variabilitéclimatique. Des modèles de prévisions (du CEPMMT, d'Arpège-climat, etc.) sontalors mis en œuvre pour connaître les échéances de ces catastrophes et ainsiapporter des solutions aux problèmes ayant déjà affecté l'agriculture qui est lesecteur économique le plus sensible aux caprices du climat.



C'est dans ce contexte que le processus PRESAO a été initié par le consortiumACMAD-AGRHYMET-ICRISAT-ABN, avec le soutien financier de diverspartenaires.Le PRESAO permet de connaître ce que va être la saison de pluies à venir (dansles régions Ouest-africaines), à travers une évaluation qualitative du cumulsaisonnier des précipitations. Cela permet de définir des stratégies en matière degestion des ressources naturelles.

La présente étude s'articule autour de trois chapitres:

Le premier chapitre est consacré à une étude bibliographique ayant pourbut de comprendre les phénomènes liés à la circulation générale, à la variabilitéclimatique (flux de mousson, convection, ...etc.), et enfin leurs incidences sur lesprécipitations en Afrique de l'Ouest. Ceci permettra d'identifier le rôle desparamètres intervenant dans la modélisation faite par le PRESAO.

Le deuxième chapitre porte sur le programme PRESAO. Il décrit sesdifférentes phases, les techniques de prévisions adoptées et son objectif àtravers les résultats issus des prévisions. On présente également une évaluationdes modèles PRESAO sur la période 1991-1997.

Dans le troisième chapitre, on explore des voies d'amélioration des scoresdes prévisions saisonnières. On évoque principalement le cas de l'upwellingéquatorial Atlantique. Une fenêtre que nous avons prise en compte pourl'élaboration des modèles présentés dans ce chapitre. Enfin, nous proposons uneméthode d'évaluation des prévisions saisonnières.



CHAPITRE 1:

VARIABILITÉ

DEA Sciences de l'Eau dans l'Environnement Continental, 2002

CLIMATIQUE

6


INTRODUCTION

Les mouvements de la zone de convergence intertropicale (ZCIT), ellemême issue de la circulation générale, délimitent la zonation climatique enAfrique de l'Ouest.En effet, la circulation générale de l'atmosphère, génère des puissantsanticyclones entre l'équateur thermique et les régions subtropicales.L'anticyclone saharien, donne naissance à un flux d'air tropical continental sec etchaud de secteur nord-est : c'est l'alizé continental boréal ou harmattan.Symétriquement, l'anticyclone austral ou anticyclone de Sainte-Hélène émet unflux d'air tropical maritime humide de secteur sud-est : c'est l'alizé maritimeaustral.

La zone de convection commune à ces deux circulations est appelée zone deconvergence intertropicale (ZCIT). C'est une zone nuageuse large d'environ 200km qui ceinture la terre et oscillant entre le tropique de cancer et celui decapricorne.Selon les régions, cette zone prend différentes appellations: Front de mousson,Equateur Météorologique (EM), Intertropical Discontinuity (ITD), IntertropicalTrough, ...etc. Sa trace au sol est communément appelée en Afrique de l'Ouest,Front Inter-Tropical (FIn (Beltrando et Chémery, 1995).

La ZCIT balaie le ciel ouest-africain une fois par an pour les pays plus au Nord etdeux fois pour les pays situés entre les deux positions extrêmes de celle-ci(figure 1.1). Ces passages définissent les saisons dans les régions concernées,ainsi on observe une seule saison de pluies pour les premiers et deux saisons despluies pour les seconds.

A l'instar de cette circulation, on définit à l'échelle planétaire:

~ Une zone équatoriale humide où se produit une convergenceintertropicale, lieu d'ascension continue d'air et donc de pluiespermanentes

~ Des zones tropicales sèches car lieux de hautes pressions~ Des zones tempérées relativement humides à cause du front polaire

opposant airs chaud et froid~ Enfin des zones polaires sèches à cause du froid permanent.

Les courants transéquatoriaux liés à l'anticyclone de Sainte-Hélène sont une descauses principales de l'évolution des phénomènes météorologiques observés enAfrique occidentale et centrale (Dhonneur, 1985).En été boréal, l'air maritime appelé mousson, envahit la sous région ouestafricaine. Pendant la même période, se met en place une forte dépressionthermique de surface au-dessus du Sahara (résultant du réchauffement d'air secsaharien et donc de l'affaiblissement de l'anticyclone des Açores). Ces deuxcirculations combinées amplifient le mouvement vers le Nord de la Zone deConvergence Inter-Tropicale. La circulation s'inverse en hiver boréal.

Le cycle saisonnier de la ZCIT est l'élément dominant de la variabilité de laconvection et du cycle hydrologique atmosphérique en Afrique de l'Ouest. Cette

DEA Sciences de "Eau dans l'Environnement Continental, 2002 7


zone est constituée principalement des Systèmes Convectifs de Méso-échelle(SCM), et est soumise, non seulement à des influences liées à la variabilitéclimatique d'échelle interannuelle, mais aussi à des fluctuations d'échellessynoptique et intra-saisonnière (Janicot et Fontaine, 1993), ce qui du reste a desconséquences sur la pluviométrie des régions inter-tropicales.

Pour la zone sahélienne, Lambergeon (1977) a montré l'influence inhibitrice(resp. favorable) de l'anticyclone des Açores (resp. Sainte-Hélène) sur lesprécipitations et l'effet renforcé de leur couplage. Il conclut que lorsquel'anticyclone des Açores est puissant et celui de Ste Hélène faible, on assiste à undéficit pluviométrique accentué au Sahel et inversement.Mahé et Citeau (1993) montrent également que le déplacement vers l'ouest enjuillet-août du centre de l'anticyclone de Sainte Hélène affaiblit la circulation demousson sur l'Afrique de l'Ouest et principalement au Sahel. Une telle situationse reproduit également lorsqu'il existe une structure dipolaire de la températurede surface de la mer: plus chaude dans l'Atlantique Sud et sur l'équateur, plusfroide dans l'Atlantique Nord; et de la pression en surface : valeurs plus bassesdans l'Atlantique Sud et sur l'équateur, plus élevées dans l'Atlantique Nord,(Janicot et Fontaine, 1993). Ces configurations favorisent une position de la ZCITplus au sud que la normale dans l'Atlantique Est.

Figure 1.1 : Positions de la Zone de Convergence Inter-Tropicale en janvier et en juillet(image Météo-France 1998)

ZOT

ZOT



1.1- CIRCULATION ATMOSPHERIQUE GENERALE

La circulation atmosphérique générale est la configuration à l'échelleplanétaire des mouvements de l'atmosphère, qui déterminent les types de tempset les zones climatiques. Elle résulte de la différence de températures à lasurface du globe. Cette circulation se caractérise par le transport d'air chauddepuis l'Équateur où le chauffage solaire est plus intense vers les latitudes plusélevées.

Compte tenu de leur taille (environ 70 % de la surface du globe), et surtout deleur importante inertie thermique, les océans représentent l'élément essentiel dusystème climatique global.Malgré cette influence des océans, leur prise en compte a été récente mais trèsvite répandue, à travers des programmes comme TOGA (Tropical Océan-GlobalAtmosphère, 1985-94) et des études théoriques telles que, celles de Janicot etFontaine (1993, 1998), et Gill (1980). Ce dernier, à partir d'un modèleanalytique a montré l'impact d'une anomalie de températures de surface de lamer sur la structure de la circulation atmosphérique générale. L'auteur définitdeux schémas-type de cette circulation: lorsque la source de chaleur est centréesur l'équateur, elle induit une circulation Est-Ouest assimilable à une structure detype Walker ; tandis que située au nord de l'équateur, elle produit un flux demousson en phase avec une circulation de type Hadley.

L'existence des circulations divergentes zonales de type Walker laisse supposerque des téléconnexions existent dans la dynamique atmosphérique intertropicaledont la plus étendue se situe au-dessus du Pacifique (Oscillation Australe). Cesfluctuations de position et d'intensité produisent des anomalies persistantes dugradient zonal de pression tous les 3 ou 4 ans environ, en connexion avecl'apparition d'un réchauffement important des eaux de surface dans le PacifiqueEst (Janicot, 2000), phénomène connu sous le nom d'El Nino. On parle alorsd'ENOA (El Nino et Oscillation Australe) ou en anglais ENSO (El Nifio andSouthern Oscillation).Cette interaction entre l'océan (à travers sa composante El Niiïo) et l'atmosphère(par l'oscillation australe), touche particulièrement le climat en Australie, enAfrique, en Asie du Sud et dans les régions tropicales de l'Amérique. Elle a étémise en évidence pour la première fois par Bjerknes à travers la connexion entreles températures de surface anormalement chaudes et les alizés faibles (Janicot,2000).

Les alizés qui soufflent le long de l'équateur et les vents du sud-est qui soufflentle long des côtes sud américaines ont tous tendance à entraîner les eauxchaudes de surface du pacifique vers l'Ouest, créant ainsi une dénivelée entrel'Indonésie et le long de la côte péruvienne. En conséquence la thermoclinebascule en s'enfonçant dans l'ouest (150 à 200 mètres de profondeur) et enaffleurant la surface dans le Pacifique est (50 à 80 mètres de profondeur:Rodrigo et al., 2001). Cette remontée d'eau profonde plus froide et riche ennutriments, qui vient compenser le déficit sur les côtes d'Amérique latine, estqualifiée d'upwelling. Cette eau, refroidit l'air au-dessus du Pacifique est et leshauts plateaux du Pérou, le rendant trop dense pour qu'il puisse causer unequelconque convection; la sécheresse sévit alors dans la région. Tandis quel'eau chaude, située dans l'ouest de cet océan, fournit énormément d'énergie et



d'humidité pour créer une zone d'intense convection provoquant des orages audessus de l'Indonésie jusqu'à 7 mètres de précipitations par an (Rodrigo et al.,2001).

Mais si la pression augmente près de l'Indonésie et diminue près de l'Amériquedu sud, la différence de pression devient moins importante et les alizéscommencent à perdre de leur vigueur dans le centre et l'ouest du Pacifique. Leseaux chaudes accumulées à l'Ouest, se déversent vers l'Est en une ondeocéanique dite de Kelvin, qui met deux à trois mois pour atteindre les côtes Sudaméricaines (Shabbar, 1997). C'est là que l'évènement El Nino s'installe.Le centre et l'est de l'océan se réchauffent, chauffant ainsi l'air humide qui lesurplombe, créant de la convection et formant des nuages et de la pluie sur lacôte ouest du Pérou alors que l'Indonésie s'assèche.

L'événement anti-EI Nino, appelé La Nina, désigne l'apparition d'eaux plus froidesque la normale dans l'est et le centre du Pacifique. La cause de La Nina estsupposée être un renforcement de la circulation normale des alizés (Shabbar,1997).

Compte tenu de l'étendue du champ de circulation atmosphérique générale,l'analyse de la variabilité prend en compte la dynamique intertropicale dans sonensemble, il s'agit des circulations divergentes méridiennes de type Hadley, del'ENSO et des circulations divergentes zonales de type Walker. Ces circulationssont soumises et en conséquence modifiées par les effets couplés desphénomènes atlantiques et pacifiques.

De part ce qui précède, on a bien l'impression que le phénomène El Nino seproduit du fait des changements dans la circulation normale des alizés.Néanmoins les causes exactes de l'affaiblissement de ces vents, à l'origine duphénomène, restent encore inexpliquées.

Après un événement El Nino dans le Pacifique, caractérisé par un réchauffementde 2 à 5 0 C, supérieur à la température maximale de surface de mer qui est de28 0 C ; l'on constate une augmentation d'un degré en moyenne dans les autresocéans (Rodrigo et al., 2001). Ceci explique l'influence du phénomène dans lesautres régions océaniques et aussi dans les zones continentales intermédiaires.

Figure 1.2 : La circulation atmosphérique au niveau du Pacifique en condition normaleet pendant El Nino (source .. NOAA/PMEL/TAO)

120'1:

Normal Conditions._ f,-~~::-~" --.. --.. -_...... 1/_:

.. - ,:' Con~ec1I\18 LOOll ;

•- --

OO'W 120'E

El NIl'o Conditions;---_.. -- - --- -- --t' t-':":":":-" ------:• _~.. _ . ~--_ r 1

• -. - - 1

l '-":::'1- ~ • Inc:rQ,1s~ t,: C-on"~n •• 1l ,, ,



1.2- CONSEQUENCES DU PHENOMENE EL NINO A L'ECHELLEMONDIALE

Le phénomène El Nino modifie la circulation atmosphérique à l'échellemondiale. Ses répercussions se font sentir aussi bien en Afrique où il coïncideavec des épisodes de sécheresse à l'Ouest et d'abondantes précipitations à l'Est,qu'en Asie, où il perturbe le cycle de la mousson. L'Afrique centrale et lesplateaux éthiopiens sont soumis pendant les phases El Nino, à une pluviométriedélirante et des inondations à répétition (Chatain J., 1998).

Jusqu'ici aucune liaison importante n'a pu être établie de manière directe entre ElNino et les précipitations sahéliennes (Stockenius 1981, Hastenrath et al. 1987,Ropelewsky et Halpert 1987). Ceci tient non seulement à la distance séparant lePacifique Sud du Sahel, mais aussi à la forte variabilité interannuelle de lapluviométrie sahélienne, alors qu'El Nino est un phénomène pluriannuel. Enfinceci peut aussi dépendre de la période d'apparition de El Nino dans l'année.Toutefois, les occurrences des forts ENSO apparaissent souvent synchrones dessécheresses importantes au Sahel, c'est le cas par exemple de l'ENSO de1982/1983 qui a été suivi en 1984, par l'une des plus forte sécheresse du siècleau Sahel

Cet événement exceptionnel a eu des conséquences étendues sur le mondeentier. Il a provoqué en août 1983, des forts vents et des pluies abondantes dansle désert de l'Arizona qui ont inondé des maisons et transformé les rues entorrents. Aux États-Unis, le passage de ce courant chaud a coûté 2 milliards dedollars en dommages dus aux tempêtes et aux inondations sur la côte Pacifique,dans les montagnes Rocheuses et dans les états du Golfe. Par contre, il a permisd'économiser 500 millions de dollars en chauffage, puisque c'était l'hiver le pluschaud dans l'est depuis 25 ans. Il a occasionné également des pluies diluvienneset destructrices, souvent 300 fois supérieures à la normale, à l'est en Equateur,et au nord Pérou, dans des régions habituellement désertiques ou semidésertiques. La Polynésie française, généralement à l'abri des cyclones (un tousles 50 ans), en subit 5 en 5 mois.Simultanément, aux antipodes, l'Australie connut une sécheresse catastrophique.En Indonésie, les récoltes furent grillées par le soleil, et le phénomène s'étenditsur l'ensemble du globe touchant l'Afrique du Sud et l'Inde. Près de l'équateur, latempérature de l'océan monta progressivement pour atteindre au large du Pérou27°c (soit 7°c de plus que la normale) et dans le Pacifique central (îles Gilbert),les températures se stabilisèrent à 30°C, ce qui appauvrit les eaux en nutriments(Ifremer, 2001).Par contre l'hiver 1976-1977 (succédant à un événement du type La Nina), a étél'un des plus froids dans le Midwest et l'est des États-Unis depuis un siècle. Cetteannée-là, la Californie avait été dans un état de sécheresse important.

Plusieurs El Nino ont eu lieu depuis une cinquantaine d'années. Les plus connusont été ceux des années 1957-58, 1965, 1972-73, 1982-83, 1986-87, 1991-92et 1997-98.Nous rappelons les phénomènes exceptionnels liés aux anomalies detempératures de surface dans le Pacifique au cours du 20e siècle.

DEA Sciences de l'Eau dans "Environnement Continental, 2002 11


Tableau 1.1: Les années El Niflo/Nifla au cours du dernier siècle

Années Phénomène Années Phénomène Années Phénomène1902-1903 El Nino 1930-1931 El Niflo 1970-1971 La Nina1904-1905 La Nina 1932-1933 El Nino 1971-1972 La Nina1905-1906 El Nino 1938-1939 La Nina 1972-1973 El Nino1909-1910 La Nina 1939-1940 El Nino 1973-1974 La Nina1910-1911 La Nina 1941-1942 El Nino 1975-1976 La Nina1911-1912 El Nino 1950-1951 La Nina 1976-1977 El Nino1914-1915 El Nino 1951-1952 El Nino 1982-1983 El Nino1915-1916 La Nina 1953-1954 El Nino 1986-1987 El Nino1917-1918 La Nina 1955-1956 La Nina 1988-1989 La Nina1918-1919 El Nino 1956-1957 La Nina 1991-1992 El Nino1923-1924 El Nino 1957-1958 El Nino 1994-1995 El Nino1924-1925 La Nina 1964-1965 La Nina 1995-1996 La Nina1925-1926 El Nino 1965-1966 El Nino 1997-1998 El Nino1928-1929 La Nina 1969-1970 El Nino

Source: SERVAT Enc (2002). Cours d'Hydrologie Tropicale /DEA-SEEC, Univ. Montpellier II.

Les pertes économiques dues au phénomène El Nino de 1982-83 sontestimées à plusieurs milliards de dollars et à plus d'un millier de morts. Nousprésentons au tableau suivant, les conséquences chiffrées de cet événement.

Tableau 1.2: Conséquences générées par le phénomène El Niflo 1982-83

Region Impact Economie Loss Death Toll

1 North Africa Drouqht $200 M ?2 Hawaii Hurricane $230 M 1 Dead3 Kirbati Reqion Severe Storms ? ?

4 Mexico/Central America Drouqht $600 M ?

5 Christmas Island Unseasonable Conditions ? 17 MillionAbandoned Birds

6 Galapagos Islands Heavy Rains ? Seal PupPopulation Lost

7 Tahiti Hurricane $50 M 1 Dead8 French Polvnesia 6 Maior Tropical Storms ? ?9 EcuadorlNorth Peru Floodinq $650 M 600 Dead

Torrential Rains, Damaging Winds,10 Coastal California Tidal Floodinq ? ?11 United States Increased Storms Activitv $2.2 B Over 160 Dead12 West Europe Floodinq $200 M 25 Dead13 Cuba Floodinq $170 M 15 Dead14 Bolivia Flooding $300 M 50 Dead

15 South Peru/West Bolivia Drought $240 M ?South BraziljNorth $3 B 170 Dead

16 Arqentina/East Paraquav FloodinoExtension of cold ocean current to

17 Japan Honshu/Reduction in abalone ? ?harvests

1

18 South Africa Drouoht 1 B ?19 Middle East (Lebanon) Snow 50 M 65 Dead20 South China Wet Weather 600 M 600 Dead21 South India/Sri Lanka Drouqht ~ 150 M ?22 Indonesia Drought $500 M 340 Dead23 Philiooines Drought $450 M ?24 Micronesia Drouoht/Fi res ? ?

Estimated Totals $10.5+ Billion 2027+ Dead

Source: SERVAT Eric (2002). Cours d'Hydrologie Tropicale /DEA-SEEC, Univ. Montpellier II.



En raison des conséquences socio-économiques induites, la prévision duphénomène El Nino, devient le principal enjeu de la climatologie.A cet effet, des recherches ont été menées pour comprendre ce phénomène (sonorigine, sa période d'apparition, les conditions favorables à son épanouissementet les causes exactes des différences d'intensités entre différents El Nino).Aujourd'hui, des modèles permettent de le prévoir six mois à un an à l'avance.Ce qui permet d'anticiper quelque peu ses conséquences néfastes sur une partiesignificative de la planète, et plus particulièrement sur les zones les plussensibles du point de vue climatique et humain de la ceinture tropicale.

D'autre part, même s'ils ne sont pas aussi importants du point de vue superficieque le Pacifique, les autres océans influencent la circulation atmosphérique dufait de la similarité de leurs caractéristiques intrinsèques (forte inertie thermique,réservoir à l'origine du cycle hydrologique).Dans l'océan Atlantique, Hisard (1980) et Hisard et al. (1986), sont parvenus àidentifier un phénomène du type El Nino où une anomalie de vent entraîne uneanomalie de SST dans le centre du bassin, qui cause une anomalie de localisationdes zones de convection atmosphérique. Là également, on retrouve une onde deKelvin qui se déplace de l'ouest vers l'est et correspond sur la côte congolaise audéclenchement d'un upwelling de surface (Picaut, 1983).

Plus tard (Zebiak, 1993), on retrouve ce mode mais avec une plus grandemodulation saisonnière que dans le Pacifique et avec des durées d'évènementschauds plus courtes.De ce fait, il est apparu que l'oscillation Nord-Atlantique est l'un des plusimportants modes de variabilité de la circulation atmosphérique dans les régionsnord (Richard et al., 2000).

Ces évènements plus intenses dans l'été et l'automne boréal, semblent avoir uneinfluence marquée sur les précipitations au nord du Golfe de Guinée (Wagner etda Silva, 1993).Dans l'Atlantique tropical, il a été mis en évidence un dipôle thermique. Desétudes (sur la période 1948-1972) menées par Lamb (1978) puis par Lough(1986), ont abouti à Llne corrélation entre ce dipôle de l'Atlantique tropical et lesprécipitations sahéliennes (corrélation de -0,66) ; cependant cette corrélationest faible sur la période antérieure allant de 1911 à 1939 (corrélation de -0,09).Le dipôle thermique apparaît connecté au dipôle pluviométrique d'Afrique del'Ouest. Ainsi, un océan Atlantique tropical Nord (resp. Sud) plus froid (resp. pluschaud) est corrélé à un déficit (resp. excédent) pluviométrique au Nord (resp.Sud) du 10o Nord, corrélation de -0,84 (Janicot et Fontaine, 1993).



1.3- VARIABILITÉ HYDROCLIMATIQUE

En Afrique de l'Ouest, le régime pluviométrique est lié au mouvementsaisonnier de la zone de convergence inter-tropicale et au développement de lacirculation de la mousson Ouest-Africaine entre printemps et automne (Olivry,1993).Les pluies dans cette région présentent un caractère extrêmement intermittent,en particulier en zone sahélienne, où elles sont souvent associées à dessystèmes convectifs de méso-échelle (Janicot, 1990) qui interagissent avec lesondes du jet d'Est Africain (EAJ), ainsi que les ondes équatoriales de Rossby quimodulent le flux d'eau océanique sur le continent.Cette variabilité ne se limite pas aux régions sahéliennes. L'analyse des donnéespluviométriques annuelles et lissées (en Afrique de l'Ouest non sahélienne), faitapparaître la très forte variation interannuelle et les grandes fluctuationspluriannuelles (Servat, 1994). Il ressort également une baisse des précipitationsà la fin des années 60.La persistance de déficits hydriques aigus, au-delà des crises majeures desprécipitations, indique que les fluctuations hydrologiques ne peuvent être traitéesau seul pas de temps annuel. Cette idée a d'ailleurs été le précurseur des étudesau pas de temps décennal pour comprendre la dynamique des régimeshydrologiques.

Le régime hydrologique des fleuves d'Afrique intertropicale est directementinfluencé par celui des précipitations; par conséquent, il subit avec un effetretard, l'incidence du cumul de déficits pluviométriques répétés.Ces déficits varient d'une région à une autre. Ils sont de 16 % (365 km3/an) enAfrique humide pour la décennie 80 contre 7 % pour la décennie 70; et enAfrique sèche, ils sont de 27 % (65 km 3/an) pour la décennie 80 contre 13 %pour la décennie 70 (Bricquet et al., 1997 ; Mahé & Olivry, 1999). On remarquedans les deux régions un amenuisement de plus de 50 % des apports entre lesdécennies 70 et 80. Des études menées dans la sous région ouest-africaine ontmis en évidence cette importante baisse des écoulements et la chiffrent entre 30et 60 % (Servat, 1998).Des travaux menés par l'IRD sur les décennies humides (1950-60) et sèches(1970-80), font état d'une transition sans diminution notable de la précipitationmoyenne (par événement), mais plutôt de la fréquence moyenne d'occurrencedes événements pluvieux (Lebel & Barbé, 1997).

Les grands fleuves de l'Afrique humide des zones tropicales et équatoriales sontà leur tour affectés par des écoulements déficitaires. Une tendance quasigénérale à la baisse est observée; celle-ci va bien au-delà de l'irrégularitéinterannuelle observée à l'occasion de déficits pluviométriques annuels ponctuels.On voit en définitive que le phénomène est observé aussi bien sur les fleuvessoumis aux régimes tropicaux secs et humides, marqués par une seule saison dehautes eaux, que sur les fleuves soumis au régime équatorial, caractérisé pardeux saisons de hautes eaux (Bricquet et al., 1993). Et ceci, est l'expression dela sécheresse qui sévit dans la plupart des pays africains depuis plus d'unevingtaine d'années.L'ampleur du phénomène de sécheresse et sa durée, ont conduit certains auteursà parler de rupture climatique. Des études dont celle menée dans le cadre du



programme ICCARE (Servat et al., 1994), situent cette rupture autour de l'année1970.

L'étude des données de 1000 postes pluviométriques des bassins tributaires de lafaçade atlantique du Sénégal à l'Angola et de l'application d'indices régionauxd'homogénéisation par zone géomorpho-climatique (Mahé, 1992), illustrent biencette tendance (cf. figure 1.3).

Figure 1.3: Evolution des précipitations annuelles depuis 1950 dans différentes régionsd'Afrique humide. Moyennes mobiles des écarts réduits (d'après Mahé, 1992)

GAlION

-1 ·t -119» 1'!16O 19'JO 1980 191)0 19!1O t~ 19'JO t~ 19'10 19!1O

SUDNlGt!RIA (',()N(;() <»mœAFRlQl)E

.", .",

o~ o~~.~~.,.....

A la micro-échelle, on observe également cette variabilité interannuelle.C'est le cas entre autres de la station de Hombori au Mali (15°20 latitude Nord et1°41 longitude Ouest) :

Figure 1.4: Indice pluviométrique de la station de Hombori de 1961 à 1990

2,5

2,0

t5

ta

0,5

0,0

-0,5

-ta

-t5

-2,0

-2,5l

1161 1163 1165 1167 1169 1171 1173 1175 1177 1179 1181 1183 1185 1187 1189



1.4- MOUSSON AFRICAINE

La mousson (du mot "mausim" qui signifie "saison" en arabe), définit unvent qui change de direction avec les saisons. Elle est donc une réponsesaisonnière à la circulation générale due au contraste thermique entre l'océan etles continents. Les pluies de mousson apportent plus de 80 % de l'eau à lamoitié de la population mondiale (Beltrando et Chémery, 1995).Dans les régions tropicales, les circulations de mousson caractérisent les plusfortes variations de la circulation atmosphérique. Ces circulations de moussonsont fortement déterminées par les gradients méridiens d'énergie liant lesrégions équatoriales excédentaires et les zones tropicales quasiment déficitaires.Les conditions hydriques des surfaces continentales ainsi que la couverturevégétale ont également un impact sur la circulation de mousson et sonrendement pluviométrique (Janicot, 2000).Les moussons les mieux connues sont celles qui affectent l'Inde et l'Asie du SudEst (mousson indienne) et celle qui affecte la région ouest-africaine.

La mousson ouest-africaine est une réponse dynamique et hydrique del'atmosphère au différentiel énergétique entre l'océan et le continent et donc auxgradients horizontaux d'énergie dans les basses couches à l'échelle régionale. Sasensibilité aux conditions de surface est accentuée par la géographie : faibleslatitudes, absence de relief important, répartition quasi-zonale de la végétation,de l'humidité des sols et des albédos. Ceci génère d'importants gradients nordsud de pression, de température et d'humidité, et donc d'énergie statiquehumide (ESH) dans les basses couches. Une circulation divergente cellulaire estgénérée dans toute la troposphère par ce différentiel énergétique (PATOM, PNCA,PNEDC, PNRH : synthèse des réflexions, 2000).La pénétration de la mousson à l'intérieur du continent (vers le nord, d'avril àaoût; vers le sud, de septembre à décembre) correspond à un affaiblissementdes gradients horizontaux et verticaux d'énergie. Ceci définit les saisons despluies (centrées sur mai-juin et septembre-octobre en régions guinéennes, et surjuillet-septembre en régions soudano-sahéliennes).

Depuis la fin des années 60, la mousson africaine a connu des très fortesperturbations (Conférence AMMA, 2002). En conséquence l'Afrique s'est trouvéeplongée depuis ces années, dans une sécheresse aux conséquences dramatiques(diminution des ressources en eau, réduction du cheptel, déficit du remplissagedes barrages et la baisse du rendement des cultures qui est en partie imputableà la sécheresse).Afin de mieux comprendre les mécanismes d'installation de la mousson OuestAfricaine, des études ont été menées à travers le projet WAMP (West AfricanMonsoon Project de 1997-2000), et par un groupe de travail (mis en place enjuin 2000) sous l'égide du PATOM (PATOM, PNCA, PNEDC, PNRH : synthèse desréflexions, 2000).Aujourd'hui le programme AMMA (Analyses Multidisciplinaires de la MoussonAfricaine) vise à déterminer l'impact de la mousson africaine sur le climat, àtravers l'étude des phénomènes tels que l'élévation de la température de l'océansub-tropical au cours des cinquante dernières années, et des propriétés desparamètres de surfaces continentales: albédo, humidité des sols, couvertvégétal, ...etc. (Conférence AMMA, 2002).



Ce programme, est soutenu en France par le CNES, le CNRS, l'IRD, MétéoFrance, et en Afrique, par des centres régionaux (ACMAD, AGRHYMET etplusieurs universités). Il se situe dans la ligne des actions préconisées par leProgramme Mondial de Recherches sur le Climat (PMRC). Il a également reçu lesoutien du comité CLIVAR-Afrique, formé par le PMRC pour étudier et prévoir lavariabilité climatique sur le continent africain.

Un autre processus important est la convection, phénomène à l'origine de laformation des nuages.Les conditions thermiques et thermodynamiques favorables au développementde la convection sont: un fort réchauffement solaire en surface, un flux devapeur d'eau convergent dans les basses couches et une libération de chaleurlatente en moyenne troposphère.En surface, l'étude de la convection est d'un grand intérêt car elle est synonymede pluies en régions tropicales. Au Sahel (entre 15°N et 200 N), la convection setraduit majoritairement par la formation de lignes de grains, en été boréal(Janicot, 2000).Dans l'atmosphère, la convection représente un phénomène majelJr, car c'est parelle qu'est convertie et transportée la plus grande part de l'excédent d'énergiereçue à la surface de la bande tropicale, puisque cet excédent d'énergie reçuedans la zone inter-tropicale est peu emmagasiné par la surface continentale,contrairement aux couches superficielles des océans. La surface continentalerestitue donc rapidement cette énergie aux basses cOIJches de l'atmosphère parles flux turbulents d'énergies sensible et latente. L'atmosphère inter-tropicale, enétat d'instabilité, se réchauffe et s'humidifie fortement, ce qui conduit à sadéstabilisation, au déclenchement de la convection profonde et à des fortesprécipitations (Janicot, 2000).En somme, la convection jOIJe IJn rôle majeur dans le cycle de l'eau et lacirculation atmosphérique à grande échelle, en particulier dans les zonesintertropicales.

Cette étude bibliographique, consiste à cibler les phénomènes dont les variationssont synchrones aux variabilités climatiques en Afrique de l'Ouest.A travers la description des mécanismes climatiques, nous voyons qlJe lapluviométrie en Afrique n'est pas à l'abri des péjorations climatiques mêmeéloignées, comme c'est le cas du phénomène El Nino.

Dans la partie qlJi suit, nous tenterons d'expliciter à travers des équationsmathématiques, les relations qui lient les paramètres océaniques (spécifiquementles températures de surface de la mer) et, les pluies et les écoulements decertains grands fleuves en Afrique de l'Ouest.



CHAPITRE II:

PREVISIONS SAISONNIERES

EN AFRIQUE DE L'OUEST

(PRESAO)



INTRODUCTION

Etant donné l'importante variabilité climatique et par conséquent celle desprécipitations, plusieurs programmes ont vu le jour. Ils permettent de prévoir lesphénomènes à l'origine de cette variabilité (cas des modèles Arpège-climat pourles prévisions de El Nino) et également les phénomènes pluvieux sous l'influencede cette variation climatique (cas du CEPMMT, PRESAO, CMC, etc.).L'OMM publie des bulletins mensuels de suivi des systèmes climatiques (CSM) encollaboration avec le programme des Nation Unies pour l'environnement (PNUE).Ceux-ci résument les prévisions des pluies trimestrielles à l'échelle du globe, desprévisions basées sur des analyses d'anomalies de température de surface de lamer et des précipitations (Baldy, 1995).

D'autres modèles sont également utilisés pour prédire des phénomènessaisonniers, il s'agit par exemple :

Du programme PROVOST (PRediction Of climate Variations On SeasonalTimescales), coordonné par le CEPMMT. Quatre modèles différents (selon lesquatre composantes de l'océan global : EOF1, EOF2, EOF3 et EOF4) sont utilisés,ce qui permet de tirer des conclusions qui ne dépendent pas du choix du modèle.Il s'agit des modèles non-couplés auxquels on impose les températures desurface de la mer observées. Ce programme a démarré en 1996 et la période decalage des modèles est de 1949 à 1992 (Tibaldi S. & Pavan V., non daté).

Le programme EL MASIFA, produit des prévisions mensuelles etsaisonnières du cycle des précipitations sur le Bassin Méditerranéen. Ce projetest mis en oeuvre par les Centres de Recherche des Services Météorologiquesd'Algérie, de France, du Maroc et de Tunisie et coordonné par Médias-France. Ilinclut à la fois une approche numérique avec le modèle Arpège et une approchestatistique développée par les services météorologiques du Maroc, de l'Algérie etde la Tunisie. Enfin il fournit des prévisions suivant le même schéma que lemodèle PROVOST, hormis les températures de surface de la mer qui proviennentdes prévisions et non des observations.

Les modèles du centre météorologiques canadien (CMC) mis au point en 1995(Servranckx, 2000). Il s'agit d'un modèle dynamique appliqué à la premièresaison (décembre à février) et d'un modèle statistique fournissant les prévisionsde 3 saisons suivantes : mars à mai, juin à août et septembre à novembre.Les périodes de calage sont de 1969 à 1994 pour le premier modèle et de 1956 à1994 pour le second. Ces modèles ont été validés sur la période 1961-1990correspondant à la normale climatique.

A l'instar de ces modèles, un programme continental dénommé PRESA-AF(PRÉvisions SAisonnières et leurs applications pour l'Afrique) a été mis en place.Ce programme, comporte plusieurs composantes (PRESAO : pour l'Afrique del'Ouest, PRESANOR : pour l'Afrique du Nord, etc.), qui œuvrent toutes pour laréduction de la vulnérabilité du continent africain à la variabilité du climat. Ce quiaura pour conséquence la réduction de la pauvreté en fournissant desinformations pour une meilleure prise de décisions.



Le PRESAO, dont il est question, fournit (sur beaucoup des pays del'Afrique de l'Ouest), des prévisions des conditions moyennes du climat,principalement les précipitations pour la période de juillet à septembre, avec uneéchéance d'au moins un mois (Amani, 1999).Le processus PRESAO a fourni les premières prévisions saisonnières en 1998(pour les pluies) et en 1999 (pour l'hydrologie des grands fleuves de l'Afrique del'Ouest).

11.1... ZONE D'ETUDE

Le PRESAO intervient principalement dans la zone ouest-africaine et intègresouvent des pays d'autres régions frontalières; c'est le cas notamment duTchad, du Cameroun, de l'Ethiopie et du Kenya.

Figure II.1 : zone d'intervention du PRESAO en 2001 et pays tests

-15 -la -5 a 5 la 15 20 25

o Zone d'intervention PRESAO : Afrique de l'Ouest, le Tchad et le Cameroun

Pays tests: Guinée, Mali, Bénin et Tchad



II.2- DEMARCHE PRESAO

Les différentes activités du processus PRESAO, sont structurées selon lesétapes ci-après: le pré-forum, le forum et le post-PRESAO.

II.2.1- Pré-forum

Cette phase consiste au traitement des données, et à l'élaboration des modèlesstatistiques.

a. Indices de pluies:

Une fois les données mensuelles collectées, le calcul des indices se fait àpartir des cumuls JAS:

l - ?JAS(i) - P"ormJAS(i) -

(Y

Où IJAs(i) : Indice de pluie pour le cumul JAS de l'année i,Pnorm : Normale climatique sur la période 1961-1990,PJAS : Cumul pluviométrique entre juillet et septembre (JAS) de l'année i,cr : Ecart type des données sur la période 1961-90.

On dispose maintenant d'une série d'indices de pluies pour chacune des stations.Ces dernières sont regroupées en zones climatiques, en tenant compte de leursréponses aux anomalies SST et du climat de la région. L'indice pluviométriqued'une zone est défini comme étant la moyenne arithmétique des indices desstations qu'elle renferme.

b. Indices hydrologiques:

Pour N années d'observations, on dispose de N valeurs de débit du mois dejanvier et d'autant pour les aLltres mois de l'année. A partir de ces débitsmensuels, on trace un graphique permettant de situer la période des hauteseaux. On calcule pour chacun des mois (de cette période de crue), la moyenne etl'écart type de la série. La normale hydrologique est définie comme étant lamoyenne des débits de toutes les années disponibles au niveau de la stationhydrométrique. L'indice de débit est donné par la formule suivante:

Avec Il : Indice de débit du mois i,Qi : Débit du mois i,Qmoy : Débit moyen du mois i (normale hydrologique),cr: Ecart type de la série de débits du mois i.



On s'est aussi intéressé à la preVISion des débits moyens sur la période deshautes eaux regroupant plusieurs mois. Dans ce cas, Qi dans la formule du calculd'indices, désigne le débit de la moyenne i sur la période des hautes eaux; Qmoy

et (J, la moyenne et l'écart type de la série des Qi'

c. Régressions Prédictants-Prédicteurs :

Définition des prédicteurs:

Le processus PRESAO utilise quatre prédicteurs décrit ci-après (cf. figure 111.3) :

EA: anomalie de températures de surface de l'Atlantique sud (entrelatitude 0°-10°5 et longitude 100E-200W) ;

NIND: indice de températures de surface de l'océan Pacifique (entrelatitude 100N-10oS et longitude 900W-1500W).Pour l'élaboration des modèles, on symbolise le NIND par ses troispremières lettres : NIN;

NWA : anomalie de températures de surface de l'Atlantique Nord-Ouest(entre latitude 200N-400N et longitude 100W-300W) ;

EDF: indice décrivant la variabilité à long terme de la température desurface de l'océan global.

Nous adoptons la notation suivante :

EAij (resp. Eaijk), pour les indices EA des mois i et j (resp. i, jet k). Par exempleEA34 pour les indices EA des mois de mars et avril.

Régressions

A l'aide d'un logiciel d'analyse statistique, on formule des modèles statistiquessur la base des meilleures régressions linéaires multiples entre les indices depluies ou de débits et les indices SST.Les prédicteurs retenus pour l'élaboration du modèle sont ceux pour lesquels lescoefficients de corrélations sont relativement importants.Les modèles de prévision sont obtenus à partir des données SST de mars à juin.Pour le besoin d'une mise à jour, on établit également des modèles avec lesdonnées SST des mois constituant la saison à prévoire.A partir de ces modèles et connaissant les indices SST de toute la série (196190), on prévoit les indices de pluies et de débits des années correspondantes. Ondispose alors de deux séries, une série d'indices prévus et une autre d'indicesobservés.Pour chacune de ces deux séries, on classe les indices par ordre croissant. Lepremier tiers correspond aux années sèches, le second aux années proches de lanormale et le dernier aux années humides. Ayant identifié la catégorie de chaqueannée (à partir des prévisions et des observations), on construit une table decontingence qui permet d'évaluer les effectifs de chacun des neuf croisementspossibles.



Oe ces résultats on peut évaluer la qualité du modèle à partir du calcul d'uncertain nombre d'indicateurs :

o Le Skill: exprime la performance prévisionnelle du modèle encomparant les prévisions aux observations;

o La Probabilité de détection (POO) : exprime le pouvoir de détectiond'une catégorie donnée de la saison. Si on s'intéresse à une catégoriesèche, la POO est le nombre d'années sèches correctement prévues parle modèle, rapporté au nombre total d'années sèches observées (soit letiers de la série) ; elle varie de 0 (mauvaise) à 1 (meilleure) ;

o La Fausse Alerte (FAR) : c'est le nombre prévu d'une catégorie donnéealors que c'est le contraire qui a été observé, rapporté au nombre totalprévu de cette catégorie. En s'intéressant à une catégorie sèche, la FAR(sèche) est le nombre de saisons prévues sèches alors qu'elles ont étéobservées humides, divisé par le nombre total de saisons sèchesprévues par le modèle; elle varie de 0 (meilleure) à 1 (mauvaise) ;

o Le taux de coïncidence (C) : c'est le pourcentage des catégoriescorrectement prévues par rapport à la taille de l'échantillon (nombretotal d'années);

o Le Hit Skill Score (HSS) est la valeur ajoutée par le modèle par rapportau hasard, il est donné par la formule suivante :

}{SS(~)=}{N-(xIOO-(

H : Nombre de coïncidences entre catégories prévues et observées(la somme des valeurs de la diagonale de la table de contingence)

t : Nombre de coïncidences pour une table de contingence purementaléatoire (le tiers de la série),

N : Taille de l'échantillon.

Tableau II.1 : table de contingence pour le calcul des paramètres d'évaluation desmodèles

Prévisions

Sèche Normale Humide Total3

U) Sèche Nll Nl2 N13 LNI}c0

j=\

:p 3lU LN2}(: Normale N21 N22 N23Q) j=\U)

..c 3

0 Humide N31 N32 N33 LN3}j=\

3 3 3

Total LNil LNi2 LNi3 N;=\ ;=1 ;=\



~ Taux de coïncidence :

~ Probabilité de détection :

3

INijC ;=j=\

N

POD(sèche) Nll3

INI}j=\

POD(humide) N333

IN3}j=\

~ La Fausse Alerte:

~ Le Hit Skill Score:

FAR(sèche)

HSS

N313

INil;=\

3"AT" NLJ1YlJ--;=j=\ 3

N_N3

3xC_12 2

FAR(humide) NB3

INi3;=\

Ainsi, un modèle est performant, si :son Skill, sa POD et son pourcentage de coïncidence sont grands,et s'il présente des faibles valeurs de FAR.

Il.2.2- Forum

Les modèles ainsi établis permettent de prévoir un à deux mois à l'avancece que va être la saison, puisqu'ils comportent les prédicteurs des mois d'avril,mai et juin.En outre certains modèles prennent en compte les informations des moissuivants ce qui permet la mise à jour des prévisions lors du forum.On passe ensuite à la phase des prévisions consolidées sur la base des prévisionspar pays et des prévisions produites à partir des modèles numériques descentres comme CEPMMT, Météo-France, ...etc.

Pour la prévision des pluies, la consolidation consiste à définir des modèlesglobaux à grande échelle d'espace en respectant la continuité et la cohérence deszones climatiques issues du zonage effectué dans chacun des pays. Ainsi toutel'Afrique de l'Ouest se trouve subdivisée en quatre ou cinq zones.Le modèle ayant été jugé bon, on peut prévoir l'indice de pluies de la saison encours. Et en fonction de la classification des indices, on peut dire de façonprobabiliste que la saison sera sèche, normale ou humide.

Pour la prévision hydrologique, cette consolidation a lieu directement surles stations jaugées, celles-ci constituant des sortes d'intégrateurs en référenceà la taille des bassins versants qu'elles drainent. En fonction des indices prévus,on déclare l'année à hydraulicité faible, forte ou proche de la normale. Lesprobabilités présentées correspondent aux régions de l'Afrique de l'ouest définiespar les bassins hydrographiques drainés par les stations étudiées. Cetteconsolidation se trouve confrontée à des problèmes dans la mesure où lesbassins n'ont pas de caractère climatique uniforme.La prévision issue du forum reste pratiquement la meilleure (par rapport à celleétablie au pré-forum) compte tenu de son caractère plus que statistique avec la



prise en compte des informations récentes sur la circulation généraleatmosphériq ue.C'est sur la base de ces prévisions qu'on établit les bulletins climatiques qui fontl'objet de diffusion à l'attention des usagers (politiques, paysans, ...etc.).

Nous présentons en exemple les résultats des prévisions consolidées issues duforum PRE5AO-04, tenu à Niamey en mai 2001.

Figure II.2 : Prévision saisonnière des pluies en Afrique de l'Ouest,le Tchad et le Cameroun (Juillef-Aoûf-Sepfembre 2001)

-15 -10 -5 o 5 10 15 20 25

Légende de la carte : Pour chaque zone définie par les experts régionaux de la prévision, lesnombres figurant dans les 3 cases représentent la probabilité que le cumul saisonnier desprécipitations soit dans la catégorie "au-dessus de la normale" (boîte supérieure), "proche de lanormale" (boîte du milieu) et "au-dessous de la normale" (boîte inférieure). Ainsi pour la zone l, il Ya35% de chance que le cumul saisonnier des précipitations soit dans la catégorie "au-dessus de lanormale", 40% de chance que ce total soit dans la catégorie "proche de la normale", et 25% dechance qu'il se retrouve dans la classe "au-dessous de la normale". Les limites des zones tracées surla carte doivent être considérées comme des régions de transition pour la prévision. (Extrait du bulletinde prévision climatique, ACMAD PRESAO-04).

II.2.3- Post-PRESAO

Après l'élaboration des modèles et la diffusion des informations jusqu'auxderniers usagers, il convient de voir si les pays participants ont fait bon usagedes fruits de cet outil.Cette étape appelée Post-PRE5AO se tient en deux phases: le Pré-forum PostPRE5AO et le Forum Post-PRE5AO (Amani, 1999).

~ Pré-forum post-PRESAO

Cette rencontre réunit les mêmes experts présents au Pré-forum PRE5AO. Elleconsiste à évaluer les prévisions en les confrontant aux observations de la saisonécoulée.Elle prend aussi en compte l'aspect socio-économique lié à l'utilisation de cesprévisions.



~ Forum post-PRE5AO

Cette étape est la dernière de la phase annuelle du processus PRESAO.Sur la base de l'évaluation faite au Pré-forum Post-PRESAO, les participantscritiquent les résultats et formulent des recommandations quant à l'améliorationdu programme.

Nous récapitulons ces différentes phases dans l'organigramme suivant:

PREFORUM

FORUMPRESAO

POSTPRESAO

Choix des stations1•

1

Collecte d'indices SST1•• •Identification de la saison des pluies Identification de la période des

hautes eaux• •Calcul d'indices de pluies parCalcul d'indices de débits par moisstation (predictands) et régressions

(prédictants) et régressions•Zonage, Calcul d'indices moyenspar zone et régressions

• Ir

•Modélisation (à partir deséquations des régressions

linéaires multiples)

•1

Evaluation et Validation des modèles1•Prévision de la saison en cours

•Mise à jour etprévisions consolidées

•Evaluation des prévisions

•Critiques etRecommandations



II.3- DONNEES

En nous referant aux documents établis par l'ACMAD (ACMAD, 1998 &1999) en matière de prévisions saisonnières, nous avons inventorié le nombre depostes pluviométriques et hydrométriques utilisés.

II.3.1- Données pluviométriques

Nous nous sommes intéressés aux pays tests: Bénin, Mali et Tchad(chapitre III, § 1). Les stations pluviométriques en Guinée n'avaient pas étéutilisées par le PRESAO, dans le document de référence.42 postes ont été identifiés, répartis comme suit: 9 au Bénin, 19 au Mali et 14au Tchad.Nous avons extrait les données relatives à ces postes, à partir de la base dedonnées SIEREM de l'Hydrosciences Montpellier et nous les avons complétéespour la période récente par l'intermédiaire du laboratoire d'Hydrologie de l'IRDBurkina Faso.

II.3.2- Données hydrométriques

Pour les même pays tests, nous avons inventorié 15 posteshydrométriques.Au niveau des deux bases de données précédemment citées, nous avons puextraire les données de 8 postes, les autres présentant assez de lacunes.Nous disposons donc d'un poste au Bénin, un poste en Guinée, un poste au Maliet cinq postes au Tchad.

En ce qui concerne les séries utilisées par le PRESAO, la période la plus longuepour les prévisions des pluies est de 1951 à 1997 (Tchad) et la plus courte de1961 à 1990 (Guinée Bissau). Quant aux prévisions des écoulements, la pluslongue période est de 1950 à 1994 (le Niger à Niamey) et la plus courte est de1970 à 1994, cas du Gambie à Kedougou (ACMAD, 1998 & 1999).

II.3.3- Données de températures de surface de la mer

Pour ce qui est des données SST des quatre zones océaniques utilisées parl'ACMAD, elles nous sont parvenues de l'Agrhymet sous forme d'indices.La zone d'upwelling équatorial Atlantique, entre dans la perspectived'amélioration des prévisions. Les données relatives à cette zone, nous ont étéfournies par Monsieur Gil Mahé pour la période 1947-1979 (Mahé et Citeau,1993). Quant aux données récentes (de 1982 à 2000), nous les avons extraites àpartir du lien Internet suivant:http://ingrid.ldgo.columbia.edu/SOURCES/.GOSTA/.SSTl?help+dataselection

Sur la figure 11.3, nous représentons en plus de trois zones océaniques utiliséespar l'ACMAD (Atlantique Equatorial Sud, Atlantique Nord-Ouest et Nino3), lafenêtre relative à l'Upwelling Equatorial Atlantique (figure 11.2). La cinquièmezone concerne l'océan global.



Figure II.3 : Situation des différentes zones océaniques utilisées

-20

6030

AtlantiqueEquatorial Sud

•JJJ

•••-30 0-60-90-120

NIN03

-150

20

JlO

o ---E---------+ ...-JI0

Pour l'analyse statistique des données, nous nous sommes servi des outilssuivants:

~ SYSTAT version 9.0

~ HYDROLAB version 98.2

~ STUDENT SYSTAT



II.4- TRAITEMENT DES DONNEES

Pour les climats tropicaux, les précipitations au cours de l'année, sontconcentrées en une seule saison (appelée hivernage en Afrique de l'Ouest). Etl'irrégularité pluviométrique annuelle, traduit donc celle de la saison des pluies.

La figure lIA, illustre cette répartition des pluies. Ceci explique la raison pourlaquelle on s'intéresse à la période de juillet à septembre (pour les payssahéliens), dans la mesure où elle cumule environ 80 % de la pluviométrieannuelle.

Figure IIA : Répartition des pluies à Bamako Senou (12°32 Nord-7°57 Sud)pendant les années 1961 et 1990.

400

350

300

250

200

150

100

50

O-f.-!!!!lIIIII~~"~

Pour l'hydrologie des fleuves de l'Afrique de l'Ouest, la période des hautes eauxse concentre sur les mois de juillet à décembre comme l'illustre la figure 11.5.

Figure II.5 : Débits moyens mensuels de la Bagoé à Pankourou (1956-96)

800

600

.J!!M 400E

200

a



Les données de base sont les hauteurs de pluies mensuelles (pour laprévision des pluies) et les données hydrométriques mensuelles (pour laprévision hydrologique). Ces données sont préalablement comblées (au cas où ilsprésenteraient quelques lacunes), à l'aide du logiciel HYDROLAB avant touteanalyse statistique.



II.5- EVALUATION DES PRESAO

L'évaluation des presao, consiste en la comparaison des prevIsions à cequ'ont été réellement les saisons, autrement dit, comparer les indices prévus auxindices observés.L'objectif dans cette partie est d'évaluer les prévisions saisonnières en Afrique del'Ouest durant les quatre phases du processus PRESAO, c'est à dire de 1998 à2001. Cependant la contrainte liée aux données (aussi bien les prédictants queles prédicteurs), a eu pour conséquences de faire une évaluation sur la période1991-1997.L'évaluation sur cette période présente aussi un grand intérêt. Elle permet dejuger la performance des modèles PRESAO sur une période incllJse en partiedans leurs périodes de calage. Notons que les périodes exactes de calage desmodèles PRESAO varient d'un pays à l'autre selon la taille des séries disponibleset la qualité des données.

Signalons aussi que les équations ne sont pas disponibles pour tous les pays,c'est le cas par exemple du Mali (un des pays tests), en ce qui concerne lesprévisions des pluies.

Nous récapitulons la disponibilité des données et d'équations-PRESAO.

Equations pour les prévisions DonnéesPays saisonnières des: ( sur la période 1991-97)

Pluies Ecoulements pluviométriques hydrométriques

Disponibles Disponibles Disponibles Non disponiblesBénin

Guinée Non Disponibles Non disponibles Seul Kouroussadisponibles est disponible

Mali Non Disponibles DisponiblesPankourou disponible

disponibles Dioila non disponible

Tchad Disponibles Disponibles Disponibles Disponibles

Cette étude n'a été menée que pour les pays tests et lorsque les deux"fonctions" (données et équations) sont simultanément disponibles.

Nous présentons les résultats suivant les deux domaines (prévisions des pluies etprévisions pour l'hydrologie).

Pour les prévisions des pluies, les résultats sont présentés par zones. Quant à laprévision hydrologique, nous avons présenté les résultats par stations jaugées etpour chacun des mois de la période des hautes eaux.



II.5.1 Evaluation des modèles de Prévision des pluies au Bénin

Trois zones ont été constituées; nous comparons à travers les figures ci-après,les prévisions des modèles élaborés par ACMAD et les observations sur la période1991-1997.

prévisions 1991·97 à l'aide du modèle-presaozone sud

prévisions 1991·97 à l'aide du modèle·presaozone centre

2

0 .. .-1

-2

.,. - ... '"

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations - • - prévisions --observations • • - prévisions

2

·1

-2

prévisions 1991·97 à l'aide du modèle·presaozone nord

...... -... -...

1991 1992 1993 1994 1995 1996 1997

--observations - • • prévisions

II.5.2 Evaluation des modèles de Prévision des pluies au Tchad

Pour la seule zone, trois modèles ont été élaborés par ACMAD. Ci-dessous nouscomparons les observations aux prévisions faites à partir des modèles PRE5AO.

2

·1

·2

prévisions 1991·97 à l'aide du modèle 1(presao)

. """ ...... - .. ..

2

·1

-2


"",-"'" ------ ......."'" .........

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations - • • prévisions modèle1 --observations - - prévisions modèle2

2


-2

1991 1992 1993 1994 1995 1996 1997

--observations - - prévisions modèle3

DEA Sciences de ,'Eau dans l'Environnement Continental, 2002 32


II.5.3 Evaluation des modèles de Prévision pour l'hydrologie enGuinée

Les graphiques suivants résument les résultats des modèles de prévisions issuesdu PRE5AO-01, comparés aux observations sur la période 1991-97.

Niger à Kouroussa

AoOt comparaison: observations etprévisions 1991-97 par modèle·presao

Septembre comparaison: observations etprévisions 1991-97 par modèle-presao

.~.~.~·2

1991 1992 1993 1994 1995 1996 1997

.; 'r:::;;:::;:::-:::::::;.~~~7b....--.-~~--;;r---C";;-:"""",.r=--;••~-2

·3

1991 1992 1993 1994 1995 1996 1997

--observations • • • prévis ions --observations • • • prévisions

: lll---'--:.-_2.:..::1'----. . _-+r-!\C:O;O_- .,....y-\7~C7-=-r-..-.·1

·2

Octobre comparaison: observations etprévisions 1991·97 par modèle·presao

Novembre comparaison: observations etprévisions 1991·97 par modèle·presao

;1~'.-~.,~~~-:::;:::::... ~_-:-:=------,-1

·3

·5

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations • • - prévisions --observations • • • prévisions

Moyenne comparaison: observations etprévisions 1991·97 par modèle·presao

1991 1992 1993 1994 1995 1996 1997

--observations - • • prévisions



Il.5.4. Evaluation des modèles de Prévision pour l'hydrologie auMali

La Bagoé à Pankourou

Pour cette station, les écoulements de 6 mois (de juillet à décembre) ont étémodélisés. Pour la moyenne des débits sur la période des hautes eaux, unmodèle a été également élaboré. Nous présentons dans les figures ci-dessous lessimulations de ces modèles et les observations au cours de la période 1991-97.

Juillet comparaison: observations etprévisions 1991·97 par modèle-presao

AoOt comparaison: observations etprévisions 1991-97 par modèle-presao

.i lr--:~;:;:::.~~-:::;:.~:;:-~.O::::::''::'::~~'•......--;.-~• .:r-:-:••~-J

1991 1992 1993 1994 1995 1996 1997

.; lf-------:--~-,--.-__--.-~'--7~~~'--......--..-..--.--.._:--=-J• .Lr--••-----0

.J1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations • • - prévisions


Octobre comparaison: observations etprévisions 1991-97 par modèle-presao

1991 1992 1993 1994 1995 1996 1997

: Jl-----r-I--r-I--./~Q:--=-r.~...... -.--.--::.•.=-=--_. --'--1-----,........ - .... -:- .- ....-1

-2

1991 1992 1993 1994 1995 1996 1997

--observations - - • prévisions --observations • • • prévisions

Novembre comparaison: observations etprévisions 1991-97 par modèle-presao

li ;--.,.A.,.--,..·1-2·3

1991 1992 1993 1994 1995 1996 1997

Décembre comparaison: observations etprévisions 1991-97 par modèle-presao

l1 ;.- ..:.;7~:"Ç.':',-,':'"·1-2-3

1991 1992 1993 1994 1995 1996 1997

--observations - - - prévisions --observations • • • prévisions




: 1-:::::::-----.---------,i-7---F--~----,,-,.~"'C'..--=--J-.r=-._-----,.i_·1 • - ••• -: •• • ••

·21991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions

II.5.5 Evaluation des modèles de Prévision pour l'hydrologie auTchad

Le PRESAO a étudié cinq postes hydrométriques et des modèles ont été élaboréspour chacun des mois de la période des hautes eaux.

Logone à Lai

AoOt comparaison: observations etprévisions 1991-97 par modèle-presao

Septembre comparaison: observations etprévisions 1991·97 par modèle-presao

:.r-=~.~~.-;;-:-.-::;;:...-_~""'T..-._~.!'":'.:s;;-~~"'-----,·1

-2

1991 1992 1993 1994 1995 1996 1997

:1 ./'.... ... -..: f----------r--~~._ •••~• ..,~.~~••

·21991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations • • • prévisions

Octobre comparaison: observations etprévisions 1991·97 par modèle-presao

Moyenne comparaison: observations etprévisions 1991·97 par modèle-presao

.~ 11-------T--~-------.---... _.---.----------r._ _ -----.----:::;;.-~.•·2

1991 1992 1993 1994 1995 1996 1997

.~ Jf---~-----',----.-=-..~._ -------rc..,.e>o.'?".......-.~-_.-r-=.--;;-;-_ _.....-.--.-.-----.•

.J1991 1992 1993 1994 1995 1996 1997

--observations - - • prévisions --observations - • • prévisIons



Chari-Logone à N'djamena

1991 1992 1993 1994 1995 1996 1997

.; J ~ - • ~. ~~. JO ••:::=:~ .,.·2

Septembre comparaison: observations etprévisions 1991·97 par modèle·presao

Août comparaison: observations etprévisions 1991·97 par modèle·presao

.; j « • :

-21991 1992

, ' ......~.. .. .. . .. .. .. ....

1993 1994 1995 1996 1997

--observations " " • prévisions --observations " - " prévisions



.; lf---...:-.------;.~-----.---~---,-_" . ----:::::-.,« -r--'-.',_."-----,---".-........----<r--;-"_

.J1991 1992 1993 1994 1995 1996 1997

~ l .' "".".: .f-------r---_-----r_.----'--.~.,------::r","'=::~'~"""""-,,----'

·21991 1992 1993 1994 1995 1996 1997

--observations " " • prévisions --observations " " " prévisions

Décembre comparaison: observations etprévisions 1991·97 par modèle·presao

~; , ..........o f-------r-,_-,....-_-,--------.-• ..L.--,-----'~~_.... - .. --..:..:..·1 :,.-:..'~-.:..:..':.'-::.;..-::-.::-":.~--------

·21991 1992 1993 1994 1995 1996 1997


•

:11 1f-----r--.---'-.------.--"7""--.,'• -----,---': " ---.-"~-.... .. .. -...... ~

·21991 1992 1993 1994 1995 1996 1997

--observations • " "prévisions --observations • • • prévisions



Bahr-Sara à Manda

AoOt comparaison: observations etprévisions 1991·97 par modèle·presao


:j '> ~r--..--t":••:""W'.'?_.=--._O;;;;;;::~'--.-_-;7.~r-=--=--'~.-----,

·1

·21991 1992 1993 1994 1995 1996 1997

:. - ..4-o~•• ~>-;;;;;;;:~:T":•• ---=-:_.:-:-:••~-.........1 ""--"---:7~~',-,-----,

·1 "-

·21991 1992 1993 1994 1995 1996 1997

--observations • •• prévisions --observations • • • prévisions


Novembre comparaison: observations etprévisions 1991·97 par modèle.presao

: ~---,-->_=------r~.-.--.-------.r"-.~ .-~~-• "~'_.. .. - . - . "-.._---·1

·21991 1992 1993 1994 1995 1996 1997

.~1_..--r--•• =------r-_~-._ .--'----.. _~.~-'..,...--7- ~;;::::--r--'-'• '--=----,-

.J1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations • • • prévis ions


.~ 1---,-;---=-.-~---'--••--• -'----....--..-.~••,~••~~.. ~~',--',

·21991 1992 1993 1994 1995 1996 1997




Logone à Moundou

Juillet comparaison: observations etprévisions 1991-97 par modèle-presao

Août comparaison: observations etprévisions 1991-97 par modèle-presao

;, ~···-·T~.. ....,.--"-----~"""------'--+----..---:.::-r~-._-.-,-~• -#;7----.r----:-----,

-1 "

·21991 1992 1993 1994 1995 1996 1997

:l~-~f=-i;?~-'--:_-=-_~..7-~~-.----""~·~'Ç;>~-:.-<:<;;.--,-1 ~

-2

1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations - • • prévisions


Octobre comparaison: observations etprévisions 1991-97 par modèle-presao

~1 ". /'...0::-7~~

-1 /'"

·21991 1992 1993 1994 1995 1996 1997

.i , ..:._.~-~~-2

1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations • • - prévisions

Moyenne comparaison: observations etprévisions 1991-97 par modèle·presao

: lll----~~~r-"_"--"-'.-~.-'-----1~r_____;____,~-~' ==

·1 ~ ~

·21991 1992 1993 1994 1995 1996 1997

--observations - - • prévisions



Chari à Sarh

AoQt comparaison: observations etprévisions 1991·97 par modèle·presao

Septembre comparaison: observations etprévisions 1991·97 par modèle-presao

: ~I---'--'------r-,-r-,-:-:..:-~.. -=--r'~-=....=---::::'--,... - .. .. ... - ... _...~~ ----·1 __

·2

~ 1_..--'--~.-,-----r_• ~-._ .----.---~• ~------;r'~~"• --,---'.• :-.---r-.,', ,,-----',

.J1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997




:;~~~::::::::::::...~~~-------,1 .-.~ .. il ~

·1 " ,

·2

.~ j'f-------.------'.~ -._ ,---.-~.-_~~.. ------:r.--::-.'-----,-"7~------..."--r-",-------'

·2

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations • - - prévisions --observations • - • prévisions

Décembre :omparalson : observations et,..."I\slons 1991·97 par modèle·presao


~ ~o Jf-----.--.-'---------.----~,----...---r--c.c-=-_-----'-,' -----,

...~---'.-' ---...~ '. ,·1 rA

·2

~ "j .. " ...... '".: f--.-.~.-.-_-,----r-----.--""""'--'-----,----,-----,

·21991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations - - - prévisions --observations • • • prévisions



CONCLUSION

En dehors du Bénin pour les prévisions des pluies et de la station de BahrSara à Manda (au Tchad) pour les prévisions des écoulements, nous remarquonsque les prévisions issues des modèles-PRESAO, sont largement écartées desobservations.

Signalons que pour tous les pays tests, les séries de données (pluviométriques ethydrométriques) utilisées pour caler les modèles, vont au delà de l'année 1995.Donc la période 1991-1997, appartient en partie à la période de calage desmodèles. Ce qui fait que les résultats présentés sont en quelques sortesl'expression des Skill.

Si les résultats sont moins satisfaisants, nous pensons que c'est à caused'intervalles trop larges pour les critères d'acceptation des modèles.

Un modèle est validé par le PRESAO si :

~ Son pourcentage de coïncidence : C > 30 %

~ Sa probabilité de détection d'une année sèche: POD sèche> 30 %

~ Sa fausse alerte: FAR < 30 %

La condition sur le pourcentage de coïncidence, conduit à des valeurs très faiblesdu Hit Skill Score puisque : HSS =1.5 x C - 0.5

Un autre point intéressant qui conditionne la fiabilité de modèles, est le zonage.Il n'y a à priori aucune règle générale pour regrouper les stations en zonesclimatiques. Certains participants procèdent au zonage suivant les réponses àparfois un ou plusieLlrs prédicteurs, d'autres suivant l'hydroclimat de la région.

On remarque que les modèles de prévision saisonnières de pluies fournissent desprévisions presque uniformes durant la période 1991-1997. par contre au niveaudes modèles de prévision des débits, on constante que les modèles suiventmieux la tendance des données observées. La différence entre les deux modèlesest d'une part liée au zonage (qui n'existe pas au niveau des stationshydrométriques) et de la taille des séries d'autres part: pour les prévisions desdébits on exploite toute la série disponible contrairement aux prévisions despluies où on s'intéresse à la normale climatique 1961-1990.

L'utilisation des données récentes (1995-2002), nous permettrait de mieux jugerla performance de ces modèles en dehors de leur période de calage.Sans avoir la prétention de mettre en cause la qualité de ces modèles, nousdoutons que des résultats bien meilleurs que ceux prévus pour les années faisantpartie de la période de calage soient trouvés pour la période 1995 à 2002.



CHAPITRE III:

PROSPECTION DES

D'AMELIORATION DES


VOIES

PRESAO

41


INTRODUCTION

Les incertitudes sur les prévisions, peuvent être réduites en utilisant desdonnées climatiques disponibles et en intégrant d'autres indicateurs del'influence du climat sur les régions concernées.Les précipitations dues aux complexes convectifs de méso-échelle représententen Afrique de l'Ouest le principal signal d'entrée des modèles hydrologiques(Janicot, 1990). Il est donc nécessaire de disposer des séries de données aussilongues que possibles pour tester la stabilité des modèles de prévisions surdifférentes périodes.Par rapport aux relations entre El Nino/Nina et précipitations sahéliennes, lesavis sont plutôt contradictoires. Certaines études diagnostiques concluent à uneabsence de liaison statistique significative (Stockenius 1981, Nicholson 1986,Ropelewsky et Halpert 1987, 1989, Nicholson et Kim 1997), alors que d'autresétudes (statistiques et utilisant des modèles de circulation généraleatmosphérique), montrent un impact significatif à l'échelle interannuelle (Palmer1986, Hastenrath et al. 1987, Wolter 1989, Ward 1992, Palmer et al. 1992).L'analyse des corrélations entre anomalies de températures de surface de la meret précipitations sahéliennes montre que les relations statistiques ne sont passtables et mettent en évidence les rôles possibles des océans, et cela à desépoques différentes.

Pour cela nous avons exploré d'autres fenêtres pouvant avoir une influence surles précipitations sahéliennes, c'est le cas de l'upwelling équatorial Atlantique àtravers sa relation avec l'anticyclone de Sainte Hélène (Mahé et citeau, 1993).A la différence du reste de l'océan, dans cette fenêtre, la baisse des SST ypersiste très longtemps pendant l'été, et y apparaît régulièrement avec une trèsgrande stabilité dans l'espace et dans le temps, du fait de la configuration descourants océaniques et des ondes longues et tourbillons équatoriaux. Cette zonea été identifiée a la suite de l'étude des SST atlantique a l'aide de 10 annéesd'images MétéoSat (Mahé et Citeau, 1993).



111.1 CHOIX DES PAYS TESTS

Compte tenu de la durée du stage, nous ne pouvons étudier tous les paysdu PRESAO, malgré l'intérêt spécifique que présente chacun d'eux.

l'Jous avons pour cela, choisi quatre pays:

111.1.1_ La Guinée

On ne peut parler des prévisions saisonnières de débits sans parler de laGuinée, vu que plusieurs cours d'eau de la région y prennent leurs sources. Cequi lui doit d'ailleurs la réputation de château d'eau de l'Afrique occidentale.Signalons que la zone la moins arrosée en Guinée, reçoit environs 1800 mm paran (ACMAD, 1999). Aussi dans cette zone les cours d'eau sont moins régularisés.

111.1.2_ Le Mali

Ce pays est le mieux étudié par le PRESAO et cela à travers la densité deson résealJ pluviométrique. Il présente le nombre record de postespluviométriques étudiés par le PRESAO, avec 19 stations. Et il a été présentdurant les quatre phases du programme.

111.1.3_ Le Tchad

Par connexion au travail de Ardoin Sandra, thésarde dans l'équipeVAHYNE/Hydrosciences Montpellier, notre choix s'est porté sur le Tchad. Et celapour deux raisons: d'abord bénéficier des données de bonne qualité (ce qui nousa d'ailleurs servit) et ensuite disposer d'outils de prévisions de pluies (donnéesd'entrée de son modèle).

111.1.4_ Le Bénin

ACMAD n'a pas fourni des prévisions de pluies pOIJr la Guinée. L'idée étantde comparer nos modèles à ceux de l'ACMAD,il nous faut impérativement partirsur les mêmes bases. Malgré que nous ayons des données de bonne qualité surla Guinée, nous avons choisi un autre pays non sahélien afin de voir le contrastequi existe entre les deux types de climat. C'est ainsi que le choix s'est porté surle Bénin. Ceci nous a permis de constater le non fondé d'une prévisionsaisonnière à partir du cumul JAS pour les pays du golfe de Guinée, surtoutquand on observe en certains mois de l'année, plus de 4 fois le cumul JAS, (c'estle cas de la station de Dogbo en 1954 : 382.20 mm pour le mois d'octobre,contre 77.10 mm pOIJr le cumul JAS).



111.2- VOIES D'AMELIORATION PAR RAPPORT AUX SERIES DESPREDICTEURS

111.2.1 Données de températures de surface de la mer

L'amélioration des scores de prévisions, demandera un meilleur couplagede l'atmosphère, des océans et des terres.Par rapport aux océans, d'autres fenêtres doivent être intégrées de part leursconnexions soutenues par des études, avec les précipitations sahéliennes. C'estle cas notamment de l'upwelling équatorial atlantique, pris en compte dans laprésente étude.

111.2.2 Conditions de surfaces continentales

La température de surface de la mer n'est à priori pas le meilleurprédicteur, du fait principalement de la sensibilité de la mousson africaine auxconditions de surface continentale (Janicot, 2002).Ce qui a conduit à la prospection d'autres prédicteurs comme l'énergie statiquehumide (ESH) qui intervient sous forme d'énergie à la surface du continent etdans les basses couches.

Energie statique humide:

La notion d'Energie Statique Humide a été introduite pour la première foispar Riehl en 1970, pour analyser les transferts verticaux et méridionaux del'énergie (Dhonneur, 1985) :

ESH=g.z+Cp.T+L.Q

Avec: g.Z : énergie potentielle,Cp, T : énergie de chaleur sensible,L.Q : énergie de chaleur latente,9 : accélération de la pesanteur,Z : altitude,Cp : chaleur spécifique de l'air à pression constante,

T: température absolue de l'air,L : chaleur latente de condensation de l'eau,Q : humidité spécifique.

L'intensité de la mousson d'Afrique de l'Ouest, est fortement dépendante desgradients méridiens d'énergie statique sèche et humide dans la couche limite,entre l'océan Atlantique au niveau du golfe de Guinée et les régions continentalesd'Afrique de l'Ouest. Il a été montré qu'une mousson fortement (resp.faiblement) active, correspondant à des fortes (resp. faibles) précipitations sur leSahel, s'associe à un fort (resp. faible) gradient méridien d'énergie statiquehumide dans la couche limite entre le golfe de Guinée et l'Afrique de l'Ouest.



Ce gradient de couche limite est fortement dépendant des conditions de surface,à la fois océaniques (températures de surface de la mer) et continentales (albédodu sol, caractéristiques de la végétation, état hydrique dans le sol), parl'intermédiaire des flux de chaleur sensible et latente (Fontaine et Janicot, 1998).

A l'échelle saisonnière, il a été montré (Fontaine et al. 1999) que la prise encompte des conditions des gradients d'énergie statique humide dans la couchelimite au printemps boréal améliore significativement la prévision desprécipitations au Sahel. On aboutit à des scores de plus de 70% de varianceexpliquée lorsqu'on prend en compte le comportement continental dans lesbasses couches, contre 50% au mieux pour les modèles fondés sur les seulesSST.Seulement une contrainte dans l'utilisation de l'énergie statique humide, est lanon disponibilité des données ESH avant 1968.Pour l'élaboration des modèles intégrant l'énergie statique humide, il sembleraitqu'on découpe l'Afrique de l'Ouest en deux grandes zones: du Golfe de Guinée àla latitude 10° Nord et au nord jusqu'à la latitude 20° Nord. Pour chacune de ceszones, on calcule les indices ESH lesquels, en combinaison avec les indices SST,sont corrélés aux prédictants (indices pluviométriques ou d'écoulements).

Ce paramètre (ESH), ne sera pas pris en compte dans la présente étude pour desraisons de moyens et de disponibilité des données.



111.3 ELABORATION DES MODELES STATISTIQUES DE PREVISION

Nous avons tenté de mettre en évidence d'éventuelles relations entre lesparamètres climatiques principalement les SST et les phénomènes pluvieux enAfrique de l'Ouest, particulièrement aux pays tests. Nous avons pour cela calculéles indices pluviométriques et hydrologiques que nous avons, corrélé aux indicesSST des régions océaniques retenues.Les modèles ainsi élaborés nous permettent de vérifier les pronostics issus desmodèles PRESAO et ainsi voir le rôle joué par le nouveau prédicteur (upwellingatlantique équatorial) et aussi la technique adoptée (au niveau du zonage, descritères d'appréciation des corrélations, ... etc.).

Les modèles que nous présentons dans cette partie, sont élaborés sur la basedes données SST des quatre zones océaniques utilisées par le PRESAO, et desdonnées SST de l'upwelling équatorial atlantique. Ces dernières données sontrelatives à la fenêtre ci-après :

UPWEQ : indice de températures au niveau de l'Upwelling Atlantique Equatorial(fenêtre 2°N-2°S j8°W-12°W) ;

111.3.1 Prévision saisonnière des pluies

Nous présentons les prévisions pour le Mali, quant aux autres pays tests, lesrésultats sont consignés en annexe 1.

Tableau III. 1 : Données pluviométriques annuelles des stations utilisées

stations Coordonnées Moyenne Ecart typelatitude longitude sur 1961-90

Bamako sénou 12°32N 07°57W 661,7 111,36Bamako ville 12°33N 07°58W 710,1 147,79Bougouni 11°25N 07°30W 738,7 116,90Gao 16°16N 00003W 152,0 47,96Hombori 15°20N 01°41W 272,3 77,82Kayes 14°26N 11°26W 494,2 106,02Kenieba 12°51N 11°14W 850,6 199,48Kidal 18°26N 01°21 E 91,8 32,21Kita 13°04N 09°28W 671,2 126,40Koutiala 12°23N 05°28W 623,0 144,70Menaka 15°52N 02°13 E 185,9 5639Mopti 14°31N 04°06W 361,0 79,87Nara 15°10N 07°17W 329,8 83,12I\liono 15°14N 09°21W 374,4 113,59San 13°20N 04°50W 517,7 112,51Segou 13°24N 06°09W 488,5 115,14Sikasso 11°21N 05°41W 727,5 117,25Tessalit 20012N 00°59 E 49,0 24,24Tombouctou 16°43N 03°00W 132,8 40,33



a.- Régressions indices de pluies par station et indices SST

Régression indices JAS par station et indices SST-Nino :

Pour cette zone, les coefficients de corrélation sont tous négatifs. Cecijustifie l'effet inhibiteur de l'événement El Nino sur les précipitations en Afriquesahélienne.Plusieurs stations présentent des corrélations intéressantes (entre 0.3 et 0.6).

Nous présentons ci-après, les coefficients de corrélations entre les indices depluies des stations du Mali et les indices SST NIN45 (avril et mai: avant lasaison des pluies) et NIN789 (de juillet à septembre: au cours de la saison despluies).

Figure III. 1 : Coefficients de corrélation avec NINO

Corrélations: Indices par Station et AnomaliesSST NIN45


0,6 ~0,40,2O+-~~,--,--~~~~~~,--,--~,--,--~~-,---,

-0,2-0,4-0,6



Régression indices JAS par station et indices SST-Atlantique Nord-Ouest

Aucune tendance générale n'est à signaler. Pour les mois de mars à juin, onremarque que les stations de Bamako-Senou, Bougouni, Koutiala, Menaka,Mopti, San, Ségou et Tessalit se détachent du lot avec des corrélations prochesde 0.3.Par contre, après l'installation de la saison des pluies (juillet à septembre :NWA789), c'est Kenieba, Kidal, Tessalit et Tombouctou qui réagissent auxanomalies de température de surface de cette zone.

Là également nous présentons deux graphiques, l'un avant et l'autre pendant lasaison des pluies.

Figure 111.2 : Coefficients de corrélation avec NWA

Corrélations: Indices par Station et AnomaliesSST-NWA45

0,50,30,1

-0,1

-0,3 j-0,5

Corrélations: Indices par Station et AnomaliesSST-NWA789



Régression indices JAS par station et indices SST-Océan global

On remarque qu'avant l'installation de la saison des pluies, six stations:Bamako-ville, Bougouni, Kayes, Kidal, Nara et Tombouctou présentent descorrélations inférieures à 0.3.Pendant la saison des pluies, seules les stations de Bamako-ville et Nara semontrent insensibles aux anomalies des SST de l'océan global.Ce qui permet de dire que cette zone océanique explique en partie lesprécipitations au Mali entre juillet et septembre.

Figure 111.3 : Coefficients de corrélation avec EOF3

Corrélations: Indices par Station et AnomaliesSST-EOF45




Régression indices JAS par station et indices SST-Atlantique Equatorial

Tout comme l'Atlantique Nord-Ouest, dans cette zone on observe deux phases.Avant l'installation de la saison des pluies, seules cinq stations (Bamako-Senou,Bamako-Ville, Hombori, Kita et Sikasso), présentent des corrélationsrelativement intéressantes.Au fur et à mesure que la saison s'installe, les corrélations deviennent négatives.Celles qui étaient négatives se renforcent et les corrélations positives s'annulentjusqu'à devenir négatives en fin de saison: c'est les cas de Bamako-Senou etBamako-Ville entre autres.

Nous illustrons ces deux situations par les graphiques ci-dessous :

Figure IlIA: Coefficients de corrélation avec EA

Corrélations: Indices par Station et AnomaliesSST-EA45

0,50,30,1

-0,1-0,3-0,5

. ., ~.~ ~

~~~~~~~~~#~~~~~~~~~6~ o~.....o ~~,+-'b-~~6~ ~§l ~'1i~o ~'1i~0 ~ 6<f'b-~ ft:J~~t;

ot/fj~~ ~"'f1 0 ,+-6 ,+-0 ~6 t/fj ~~",,6 0~v~ ~ ~~ ~


0,50,30,1

-0,1-0,3-0,5



Régression indices JAS par station et indices SST-Upwelling EquatorialAtlantique

Cette fenêtre présente une situation particulière. Juste avant l'hivernage(UPWEQ45 et UPWEQ56), les corrélations sont positives (en dehors de Homboriet 5ikasso) et significatives pour la plupart de stations.Pendant la saison des pluies et particulièrement pour les UPWEQ89 etUPWEQ789, les corrélations deviennent toutes négatives et égalementsignificatives pour beaucoup de stations (cf. figure 111.5).

Figure III. 5 : Coefficients de corrélation avec UPWEQ

Corrélations: Indices par Station et AnomaliesSST-UPWEQ45


0,50,30,1

-0,1-0,3-0,5

q, • ., ~.~ ~

~~#~~~~~~~~~~#~~~~~flI<:" o~.....o ~~ ~~e~ ~~ ~'li~o ~'li.~o ~ flIC$ 'b-~ (:fJ~ t;

ofrtJj~~v.1 0 ~~e ~o~e <:" frtJj i:,~ ...e o~~~~ ~ #~ ~



b.- Zonage

Le zonage consiste à regrouper plusieurs stations ayant un comportementsimilaire vis à vis d'un certain nombre de prédicteurs et/ou en tenant compte ducaractère climatique des zones auxquelles appartiennent ces stations.Les résultats des corrélations précédentes, n'ont pas suffit à effectuer ce zonage.Pour cela, nous avons retenu les indices SST qui donnent des coefficients decorrélations supérieurs à DA. Sur la base des corrélations entres ces indices SSTretenus et les indices des pluies des stations étudiées, et en tenant compte de ladisposition géographique des stations (qui est en partie liée à l'hydroclimat de larégion), nous sommes parvenus au zonage suivant.

Tableau 111.2 : zonage

Zone Sud Zone Centre Zone Nord

Bamako Senou Kayes GaoBamako Ville Mopti HomboriBOUClouni Nara Kidal

Stations Kenieba Niono MenakaKita San Tessa litKoutiala SéClou TombouctouSikasso

: n Ices Dl uVlometnaues zonauxAnnées Indices Indices Indices

zone sud zone centre zone nord1961 140 049 0,881962 086 098 0,751963 000 042 0,341964 109 090 1,111965 o 13 1,00 0391966 072 066 0211967 1 17 081 0,891968 -032 -0 51 0231969 024 028 -0,171970 o 12 032 0341971 054 -003 0471972 -124 -079 -0901973 -035 -1 03 -0371974 107 011 0211975 033 050 0421976 -025 -002 -0331977 018 -030 0,091978 -040 055 -0,351979 -075 -0,84 0,041980 -051 0,11 1,151981 -001 0,01 0,181982 -056 -1 01 -1 101983 -1 22 -0.87 -1.171984 -1 35 -1.33 -0,861985 -0 16 0,14 -0,361986 -0 21 -0,16 -0,231987 -080 -1.19 -1,091988 0,29 1,09 0071989 0,10 0,41 -0 141990 -0 14 -071 -0,85

Tableau III 3 l d" 1



c.- Régression indices de pluies zonaux et indices SST

Nous avons corrélé les indices de chacune des zones constituées avec tousles différents prédicteurs. Cette opération consiste à faire ressortir les réponsesaux anomalies SST de chacune des zones.

Régression indices de pluies zonaux et indices SST-NINO

A l'image de la figure ci-dessous (SST Nino des mois d'avril-mai), toutes lescorrélations sont négatives et supérieures à 0.36. Cela nous a permis de retenircette zone océanique comme indicateur pertinent des précipitations au Mali, ausud de la latitude 23 0 Nord.

Figure III.6 :

0,4

0,1

-0,2

-0,5

Corrélations: Indices JAS et Indices SST-NIN45

zone sud zone centre zones nord

Régression indices de pluies zonaux et indices SST-Atlantique

Cette zone océanique présente la même configuration que la précédente(coefficients de corrélation négatifs). Les résultas sont encore meilleurs puisqueles coefficients de corrélations sont tous supérieurs à DA.

Figure III.7: Corrélations: Indices JAS et Indices SST-EOF67

0,7

0,5

0,3

0,1

-0,1

-0,3

-0,5

-0,7




Régression indices de pluies zonaux et indices SST-Atlantique NordOuest

Pour cette fenêtre, les coefficients de corrélation sont très faibles surtoutpendant la saison des pluies au Sahel.

Figure 111.8 :

Corrélations: Indices JAS et Indices SST-NWA45 Corrélations: Indices JAS et Indices SST-NWA89

0,5

0,3

0,1

-0,1

-0,3

-0,5

0,5 •0,3

0,1 r-- --,----------------,-------,__,------,

-0,1 •-0,3

-0,5zone sud zone centre zones nord zone sud zone centre zones nord

Régression indices de pluies zonaux et indices SST-Atlantique EquatorialSud

Contrairement à l'Atlantique Nord-Ouest, la partie sud de l'Atlantique,présente des corrélations relativement significatives pendant l'installation de lasaison des pluies. Une période synchrone à un flux important de la moussonouest-africaine et à une forte activité de l'anticyclone de Sainte-Hélène.

Figure 111.9 :

Corrélations: Indices JAS et Indices SST·EA56 Corrélations: Indices JAS et Indices SST-EA789

0,50 l0,30

0.10

1-0,10

-0,30

-0,50zone sud zone centre zones nord

O,5

l0,3

0,1

-0,1

-0,3

-0,5




Régression indices de pluies zonaux et indices SST-Upwelling EquatorialAtlantique

Comme nous l'avons souligné pour le cas des stations, là également, avantla saison des pluies, les anomalies positives de températures de surface sont unbon indicateur des précipitations dans les zones étudiées. Par contre pendant lasaison des pluies, ce sont les anomalies négatives de températures de surfacequi ont une action favorable sur les précipitations, surtout dans la zone Sud etNord.

Figure III. 10 :

Corrélations: Indices JAS et Indices SSTUPWEQ46

Corrélations: Indices JAS et Indices SSTUPWEQ89

0,6

0,3

0,1

-4,1

-4,3

-4,5

0,5

0,3

0,1

-4,1

-4,3

-4,6

zone sud zone centre zones nord zone sud zone centre zones nord

d. Interprétations des résultats

A l'issue des différentes régressions, on retient comme meilleurs prédicteurs: leNino, l'océan global et l'upwelling équatorial atlantique.

Les coefficients de corrélations négatifs, montrent qu'une élévation detempérature a une action inhibitrice sur les précipitations dans la zone d'étude.Et c'est le cas de deux premiers predicteurs (Nino et EDF3) et aussi del'upwelling équatorial atlantique pendant la saison des pluies.



e. Elaboration des modèles

Sur la base des graphiques précédents et des corrélations multiplesmenées à l'aide du logiciel Hydrolab, nous avons retenu les prédicteurs dont lescorrélations sont significatives à plus de 95 % (moins de 5 % de chance d'êtredues au hasard: principe de fonctionnement du logiciel Hydrolab).

Nous avons effectué d'autres régressions avec les seuls prédicteurs jugésexplicatifs. A l'issue de ces régressions, nous avons retenu les prédicteursprésentant des fortes corrélations avec les indices pluviométriques zonaux.Et c'est en fonction de ces derniers prédicteurs que nous avons élaboré lesmodèles présentés dans le tableau IlIA.On peut remarquer dans certains modèles de prévisions, des indices SST-NU·JOdes mois de juillet, août, ou même septembre. Ceci à cause du fait que les SSTdans cette zone océanique, sont prévus six mois à l'avance et peuvent êtredisponibles au niveau de l'Agrhymet avant le forum PRESAO.

Tableau IlIA : Paramètres statistiques et Modèles

Zones variables Coefficients Coefficients Coefficients Modèlesde de corrélation de corrélation

régression partielle multipleUPWE034 -1.34 -0.42 IJAs =-

EOF56 -0.16 -0.52 1.34*UPWEQ34-

Sud NIN4 -0.05 -0.53 0.73 0.16*EOF56-EA45 +0.07 +0.40 0.05*NIN4+0.07*EA

constante +1.77 45+1.77EOF56 -0.18 -0.52

Centre NIN45 -0.05 -0.45 0.65 IJAs =-0.18*EOF56-constante +0.25 0.05*NIN45+0.25

EOF34 -0.2 -0.75Nord NIN 56 -0.05 -0.65 0.81 IJAs=-0.20*EOF34-

constante +0.36 0.05*NIN56+0.36



f. Paramètres d'évaluation des modèles

Nous présentons les paramètres des modèles et les tables de contingenceutilisées pour les déterminer.

Zone Sud

Prévisions

Sèche Normale Humide Total

III Sèche S 3 1 9c0;;ta

Normale 0 7 2 9~cuIIIJ:t0 Humide 0 3 7 10

Total S 13 10 28

Zone Centre

Prévisions


III Sèche 7 2 1 10c0~ta

Normale 2 8 0 10~cuIII.Cl0 Humide 0 6 4 10

Total 9 16 S 30


C (%) 68POD sèche (%) 56POD humide (%) 70FAR sèche (%) 00FAR humide (%) 10H.S.S (%) 52

C (%) 63POD sèche (%) 70POD humide (%) 40FAR sèche (%) 00FAR humide (%) 20H.S.S (%) 45

57


Zone Nord

Prévisions


III Sèche 7 3 0 10c0;;la

Normale 2 7 1 10~cuIII.a0 Humide 1 3 6 10

Total 10 13 30

C (0/0) 67POD sèche (0/0) 70POD humide (0/0) 60FAR sèche (0/0) 10FAR humide (0/0) 00H.S.S. (0/0) 50

Commentaire des valeurs des paramètres:

Nous voyons bien que les modèles reproduisent au mieux la série d'indices JASobservés. Ce qui a pour conséquences des valeurs très intéressantes des critèresd'évaluation des modèles, dont le plus déterminant est le Hit Skill Score.Ce dernier tourne entre 45 % et 52 %, ce qui dépasse la limite de 50% déduitesau mieux par les étude menées par Fontaine et al. (1999) sur les corrélationsSST-Précipitation au Sahel.



g. Evaluation des modèles

Pour évaluer la qualité des modèles élaborés nous avons tracé pour chaque zone,les indices prévus et observés pour la période de 1961 à 1990.

Figure 111.11 : Graphes de simulation

Simulation: Obervations-Prévisions(Zone sud)

2,0 l

:::J~~V\~~ ~ ,

-2,0~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

--Observations · .... Prévisions

Simulation: Obervations-Prévisions(Zone centre)

2,0

::: ~'V~V:'Yq': "v~\'' .. ' .. \.:-1,0

-2,0

10" 10'" IO~ ~ IOOJ ~" ~", ~~ ~A". ~OJ 9J" 9J'" 9J~ !C- 9JOJ,,0; ,,0; ,,0; ,,0; ,,0; "OJ "OJ "OJ "OJ "OJ ,,0; ~ ,,0; "C!i "C!i


Simulation: Obervations-Prévisions(Zone nord)

1,51,00,5o,0 b,-,.,--r'-T----r'l\-*--.-\c-r--Ir'r--'hA--rl-r--,t.-r-r.'-t..,---,--,-j~

-0,5 J-1,0 J-1,5

10" 10'" IO~ ~ IOOJ ~" ~", ~~ ~A". ~OJ 9J" _o.'" 9J~ !C- 9JOJ~ ~ ~ ~ ~ "OJ "OJ "OJ "OJ "OJ ,,0.1 ,,'?r ,,0.1 ,,0.1 ,,0.1




111.3.2- Prévision saisonnière pour l'hydrologie

Nous avons utilisé comme données, les débits moyens mensuels de lasérie disponible jusqu'en 1990.A partir des histogrammes des débits moyens annuels (cf, figure lIA), nousidentifions la période des hautes eaux,La procédure d'élaboration des modèles, est décrite au paragraphe 1104.1.

Là également, nous ne présentons que les résultats concernant la Bagoé àPankourou (Mali). La série utilisée concerne la période 1956-1990.Les résultats des fleuves des autres pays tests, sont consignés en annexe 2,Pour cette station, la période des hautes eaux s'étale du mois de juillet au moisde décembre.

Figure III. 12 : Indices des débits des mois retenus pour la station de Pankourou

Indices de débits pour le mols de Juillet Indices de débits pour le mols d'aoOt

3,52,51,5

0,5 rr-ra,y"""n-.-~"""''''''r-r.-r-rrITlJTIr--TF.-rrIn~~,5

-1,5-2,5-3,5

o,,~ ,...,0" ,..'0"" 0,,'0" o,,~ ,..~... ,..~~ ~~ o"ri' ,..'0'" ,..'0'0 0"'00,,~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

3,52,51,5

0,5 ~""'"-"""''''''.a,A,J'''''ITITIl~ITIITITFITlITIIT~,5

-1,5-2,5-3,5

o,,+P 0""0,, ,..'0"" ,..'0" ~'O'b ~... ~~ " ~'b~ 0,,'0'" 0,,'0'0 ,..'00"~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Indices de débits pour le mols de septembre Indices de débits pour le mols d'octobre

3,52,51,50,5~,5 1Yr.,.,.a,-,-""''''''''''''''''ITlrT"'TFITlITITFlTlrIT

-1,5-2,5-3,5

~~ 0""0,, ~'O"" ~'O., o,,~ ~... ~~ " ~'b~ 0,,'0'" 0,,'0'0 ~'bo"~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~



Indices de débits pour le mols de novembre

3,52,51,50,5

-0,5-1,5-2,5-3,5

~ ~OJ ro'lt rof) ro'b ~... ~.. ~'" (o~ (o~ (0'0 (oOJ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Indices de débitspour la moyenne des mols retenus

3,52,51,50,5

-0,5-1,5-2,5-3,5

.h ~ ~ ~ A A'" A" A ~ ~ ro OJ~~ ~ ~ ~~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Indices de débits pour le mois de décembre

3,52,51,50,5

-0,5-1,5-2,5-3,5

Oj,~ Oj,f)0J OJ'o'lt ..'of) Oj,'" ~... ~.. Oj,~ ..'b~ ..'b~ Oj,'b'o Oj,'b0J~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~



a. Régressions indices des débits et indices SST

Figure III. 13 ; coefficients de corrélation entre indices de débits mensuels et indices SST.

Corrélations: Indices de débits et Indices SSTfévrier

0,60,1

-0,4-0,9

.UPWEQ DNIN03 DEOF3

Corrélations: Indices de débits et Indices SSTmars

O,6hr.:; -, "'if' "'if'Lr' ~'if'~-0,9

.UPWEQ EA DNIN03 DEOF3 .NWA

Corrélations: Indices de débits et Indices SSTjuillet-août

0,60,1

-0,4-0,9

DNIN03 o EOF3 .NWA



Corrélations: Indices de débits et Indices SSTaoût-septembre

0,6

0,1

-0,4

-0,9

.UPWEQ

Interprétation des résultats

ONIN03 OEOF3

Il ressort des très bonnes corrélations entre les anomalies detempératures de surface de l'océan global et les débits de la Bagoé à Pankourou.Des corrélations avoisinant 0.90.

L'Atlantique Equatorial Sud, vient en deuxième position avec des corrélationsassez fortes (jusqu'à DAO) pendant la période JAS.

Ensuite, c'est l'Upwelling Equatorial qui présente des corrélations plus ou moinsimportantes entre août et février (où elles sont maximales).

L'Atlantique Nord-Ouest explique en partie les écoulements au niveau de lastation de Pankourou seulement en février et mars. Une période correspondant àla position extrême sud de la zcn.

Enfin le Nino, à travers ses variables NII\J7 à NIN 10, présente des corrélationsproches de 0.30 avec les indices de débits des mois d'août et septembre.

L'action de l'océan global sur les précipitations dans la zone étudiée, à travers lacirculation générale, est une action de synthèse résultant des interactions entreles différents océans. Ceci justifie sa domination sur les autres indicateurs.



b. Elaboration des modèles

Une fois les prédicteurs explicatifs identifiés à partir des graphiquesprécédents, on procède à une seconde régression à l'aide du logiciel Hydrolab. Al'issue de cette régression, les prédicteurs satisfaisants aux tests statistiques designification, sont retenus et utilisés pour l'équation de régression.

Nous obtenons enfin les modèles consignés dans le tableau III,5 suivant.

Tableau III. 5 : Modèles de prévision d'indices de débits mensuels sur la Bagoé àPankourou

Paramètres d'évaluation des modèles

Mois Modèle des mois de : Coef. Faible ForteCorrélatio C HSS Hvdraulicité Hvdraulicité

n (Ofo) (Ofo)multiple POO FAR POO FAR

Juillet IQ =-0.27*EOF4- 0.66 54 31 45 25 75 110.56*UPWEQ5+0.79

Août IQ =+0.14*EA45-0.15*EA56- 0.77 56 34 18 00 67 000.34*EOF56+0.39

Septembre IQ =+0.14*EA45-0.22*EA56-0.04*NIN56-0.33*EOF34+ 1.30*UPWEQ56+ 0.87 78 67 70 00 82 00

0.45

Octobre IQ =- 0.86 71 56 73 00 75 000.61 *EOF45+0.20*EOF5+0.51

Novembre I Q =+0.54*EOF5-0.43*EOF45- 0.84 60 40 50 10 73 000.55*EOF56+0.66

Décembre IQ =-0.03*EA6- 0.83 69 53 45 00 91 000.38*EOF45+0.51

Moyenne I Q =+0.59*EOF5-0.45*EOF45- 0.89 65 47 58 00 73 000.61*EOF56+0.68



c. Evaluation des modèles proposés

Tout comme les modèles de prévisions saisonnières des pluies, la premièreévaluation se fait à partir de la comparaison des simulations des modèles auxobservations.

Figure 111.14 : Graphes de simulation

Simulation: Obervations-Prévisionsmois de juillet

4

:I~-2

-4"

OJ4' OJ':iOJ OJ'o'" OJ'o':i OJ~ OJ~'" ~.. ~~ OJ'bf:l. OJ'b'" OJ'b'o OJ'bOJ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Simulation: Obervations-Prévisionsmois d'août

--Observations . . . .. Prévisions --Observations . . . .. Prévisions

Simulation: Obervations·Prévisionsmois de novembre

:l~··2

-4

OJ4' OJ':iOJ OJ'o'" OJ'o':i OJ'o'b ~... ~.. ~~ OJ'bf:l. OJ'b'" OJ'b'o OJ'bOJ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Simulation: Obervations-Prévisionsmois de décembre

--Observations . . . .. Prévisions --Observations ...... prévisions

Simulation: Obervations-Prévisionsmois de spetembre

:I~Z'Ç?"'~~ .-4

~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Simulation: Obervations-Prévisionsmois d'octobre

--Observations ..... Prévisions --Observations . . . .. Prévisions



Simulation: Obervations-Prévisionsmoyenne de juillet à décembre

- Observations . . . .. Prévisions

Les graphiques précédents confirment bien les résultats des corrélationsmultiples dont les valeurs varient entre 0.66 et 0.89Les modèles reproduisent bien les écoulements dans la Bagoé à Pankourou.



111.4 EVALUATION DES PREVISIONS CLIMAnQUES FAITES AL'AIDE DES MODELES PROPOSES

L'objectif de cette évaluation est d'établir une base nous permettantd'apporter des jugements sur la fiabilité des prévisions saisonnières et le caséchéant d'explorer d'éventuelles voies d'amélioration.

Les modèles présentés précédemment, sont calés sur la période 1961-90. Leurvalidation est passée par deux types d'évaluations:

La première est une approche purement statistique qui a consisté àcomparer les prévisions aux observations sur la période de calage (1961-90). Lesrésultats sont ceux présentés aux figures 111.11 & 111.14.

La seconde évaluation tient compte du caractère climatique des saisons,également sur la période de calage.Pour cela des paramètres ont été calculés, il s'agit notamment du pourcentagede coïncidence (C), de la probabilité de détection d'une catégorie d'année donnée(POD sèche ou humide), de la fausse alerte (FAR) et du HSS.

Les modèles ayant été validés, l'étape suivante consiste à les évaluer, non passur leur période de calage mais sur les sept ans suivants (période 1991-1997).Cette évaluation repose sur la comparaison des simulations des modèles auxobservations.

Le choix de cette période consiste à comparer nos résultats à ceux du PRESAO,présentés au chapitre II, paragraphe ILS: évaluation des presao.

Nous présentons les résultats à l'échelle des zones climatiques constituées pourles prévisions des pluies, et à l'échelle des bassins versants drainés par lespostes hydrométriques, pour les prévisions des écoulements.



111.4.1 Evaluation des modèles de prévision saisonnière des pluies

a. Evaluation des modèles de prévision saisonnière des pluies au Bénin

Les stations étudiées au Bénin, ont été regroupées en deux zones : zone Nord etzone Sud (cf. annexe 1).Nous comparons sur la figure 111.15, les prévisions des modèles que nous avonsélaborés aux observations sur la période 1991-97.

Tableau III. 6 : indices de pluies zonaux

Indices de Indices deZones Années pluies observés pluies prévus

1991 0,06 0,421992 -0,51 -0,881993 -0,15 -0,46

Sud 1994 -0,24 -0,381995 0,16 0,891996 0,16 0,901997 -0,49 -0,921991 -0,12 -1,351992 -0,22 -1,371993 -0,29 -0,64

Nord 1994 0,47 0,171995 0,88 -0,441996 -0,35 -0,421997 -1,34 -1,27

Figure III. 15 :

1991 1992 1993 1994 1995 1996 1997

zone sud : prévlslons-observatlons(1991-97)

1991 1992 1993 1994 1995 1996 1997

III

~_:~ 2

01 1-~~=-----::!::;:;;;;;;;;;;;;;;!;;:;:;:~~=~~~----1:~~ 1 p.~ ~

J

~.- ..., ~i -1 • - - - -

:s -2.5

zone nord : prévlslons-observatlons(1991-97)

SI

t :..2> 0 e---...........: ==±!="",:-;-1~~"-.---Jo.-;-=-:-~~~~-+-----1

1 ~ ••• - -:::l _ -

~'2 -_ •• _--

,g ·3'C.5

-observations • • • prévisions - observations • • • prévisions

Pour la zone Sud, les prévisions se superposent assez bien aux observationsentre 1991 et 1994.Au niveau de la zone Nord, le modèle sous-estime les cumuls JAS desprécipitations.



b. Evaluation des modèles de prévision saisonnière des pluies au Mali

Tableau 111.7 : indices de pluies zonaux

Indices de Indices deZones Années pluies observés plu ies prévus

1991 -0,10 -0,211992 -0,19 -1,081993 -0,48 -0,85

Sud 1994 0,87 -0,541995 -0,23 0,201996 -0,75 0,401997 -0,66 -0,121991 -0,24 -0,541992 -0,56 -0,961993 -0,42 -0,98

centre 1994 0,55 -0,471995 -0,15 0,211996 0,14 0,331997 -0,91 -0,421991 -0,10 -0,931992 -0,56 -0,771993 0,34 -0,87

Nord 1994 0,80 -0,371995 -0,19 -0,131996 0,24 -0,061997 -0,51 -0,92

Figure 111.16 :

1991 1992 1993 1994 1995 1996 1997

zone sud: prévisions-observations(1991-97)

III

~ 3

f ~ .1.~ 0 1-.-:'"""=;;;;;;;;;t:1 =:::;7"'f~-~--po..~..;;.;;;.::t.:--._.-=-.-l'-r----..-----1- ~_."' .. ~Ci. -1

Xl ·2u'ti -3.S

zone centre: prévisions-observations(1991-97)

1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions -- observations • • • prévisions

zone nord: prévisions-observations(1991-97)

~~~~.. .-... -. . . .. . ... ...

1991 1992 1993 1994 1995 1996 1997

-- observations - •• prévisions



c. Evaluation des modèles de prévision saisonnière des pluies au Tchad

Une seule zone a été constituée. Le modèle élaboré est bon à part les années1992 et 1994, où il sous-estime les cumuls JAS des précipitations.

Tableau III.8 : indices de pluies zonaux

Indices de Indices deAnnées pluies pluies

GJ observés prévus~

1991 0,06 0,42cr.-c 1992 -0,51 -0,88~

1993 -0,15 -0,46GJc 1994 -0,24 -0,380N 1995 0,16 0,89

1996 0,16 0,901997 -0,49 -0,92

Figure 111.17 : prévisions-observations (1991-97)

= 2~

cr'C~ 1

.~ 0 +--..-+-1-~9---+--------'~~--~"---"+-"----=':-'--------+-'.._ .. "-~-=O"-...:!~!-o,,:-.-------1~ -.. .c. .. .. • -III -1 ..... - •c».~

~ -21991 1992 1993 1994 1995 1996 1997

--observations - - - . prévisions

Les indices de débits des stations étudiées sont pour la plupart situésentre -1 et +1 pendant la période de calage (1961-1990). Les modèles élaboréssont influencés par cette tendance. Ce qui fait que pendant la périoded'évaluation (1991-1997), toute année particulièrement sèche ou humide (indicelargement supérieur à 1 en valeur absolue) fait apparaître un décrochage quientache la qualité des prévisions.



111.4.2- Evaluation des modèles de prévision saisonnière desdébits

Les graphiques suivants présentent les indices de débits prévus et observés surla période 1991-1997.

a. Evaluation des modèles de prévision saisonnière des débits enGuinée

Niger à Kouroussa

Figure 111.18 :

1991 1992 1993 1994 1995 1996 1997

.l!l 2:s~ 1

{l 0 -t-----,---------,---,---------,--,--------r-:-.-''------,

= - . . . ~.!:! .1 ;;.... •.-.~ ••• » -'I::J

.5 .2

:].:j~·2 j

1991 1992 1993 1994 1995 1996 1997

Juillet comparaison: observations etprévisions 1991-97 par modèle-proposé

AoQt comparaison: observations etprévisions 1991-97 par modéle-proposé


Septembre comparaison: observations etprévisions 1991·97 par modèle·proposé

;1 ~ ~o 1~---=::o::-::::·c!.:O:.~;%~.~~.:-:_--=-.~........~~-:-7_v~---=--'·'f----.-·-'-1 '"V'-2-3

1991 1992 1993 1994 1995 1996 1997

Octobre comparaison: observations etprévisions 1991-97 par modèle-proposé

1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations • •• prévisions

Novembra comparaison: observations etprévisions 1991·97 par modèle·proposé

Moyenne comparaison: observations etprévisions 1991·97 par modèle·proposé

... - -._ ....

1992 1993 1994 1995 1996 1997

11~ - il... .

1 . ~~'::-i ---_.-

-51991 1992 1993 1994 1995 1996 1997 1991

- -

--observations • • • prévisions --observations • •• prévisions

En dehors de l'année 1994 qui est largement sous-estimée par 3 des 6 modèles(septembre, novembre et moyenne), les prévisions sont bonnes pour le reste dela période des hautes eaux.



b. Evaluation des modèles de prévision saisonnière des débits au Mali

Bagoé à Pankourou

Figure 111.19 :

:1 ~~'-':..~'~'.:..---;,.,---:"--:"~--:-;~.,..';..---.'-.-.--.---'-.-.-=-.-

-1 •

-2 J

~k ~ ....._....o ~ ~. - 1-1 •• • : ••• - ...

-2 J

Juillet comparaison: observations etprévisions 1991-97 par modèle proposé

AoOt comparaison: observations etprévisions 1991·97 par modèle proposé

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations ••• prévisions --observations • • • prévisions

Septembre comparaison: observations etprévisions 1991-97 par modèle proposé

Octobre comparaison: observations etprévisions 1991-97 par modèle proposé

2

0 ::::.: ~-<"T • .. .L . .

-1 ....--._---2

1991 1992 1993 1994 1995 1996 1997

O~ I-----,-------,-~~/"-......~.~-1 1 ./~ ••• -. 1. . .~ .... - .. .. .. ..

·1

-2

1991 1992 1993 1994 1995 1996 1997


Novembre comparaison: observations etprévisions 1991·97 par modèle proposé

1If---------,----;. -.~:-A~··". ~ .,~-f ••

-1·2·3

1991 1992 1993 1994 1995 1996 1997

Décembre comparaison: observations etprévisions 1991-97 par modèle proposé

1991 1992 1993 1994 1995 1996 1997




Moyenne comparaison: observations etprévisions 1991·97 par modèle-proposé

2

...O+------.-----,--------.~----,-:=~'----=--..:r__=--=--___,--___,

-1

-21991 1992 1993 1994 1995 1996 1997

--observations • •• prévisions

c. Evaluation des modèles de prévision saisonnière des débits auTchad

Nous avons modélisé les écoulements de 4 stations hydrométriques à savoir:Lai, Manda, N'djamena et Sarh.Pour ces stations, les prévisions sont en générale bonnes. Les modèlesreproduisent presque exactement les écoulements au niveau des stationsétudiées.

Logone à Lai

Figure III.2a :

Juillet comparaison: observations etprévisions 1991-97 par modèle-proposé

AoQt comparaison: observations etprévisions 1991·97 par modèle-proposé

:jf-----':....~~-----,-----------,--_' --------.--,----,-----,-/~.,.-------,"' ...... ~......... ..",. ....

-1 • • • ... _

-2

:1 .-1 r·2

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations • •• prévisions --observations ••• prévisions

Septembre comparaison: observations etprévisions 1991-97 par modèle-proposé

:.' ~-:~-2

1991 1992 1993 1994 1995 1996 1997


2

o+--~-----'---------•• ~------,-----------.-----=_~••-.'. --1 • - •, ,

-2

1991 1992 1993 1994 1995 1996 1997

--observations • •• prévisions --observations ••• prévisions



Novembre comparaison: observations etprévisions 1991-97 par modèle-proposé

Moyenne comparaison : observations etprévisions 1991-97 par modèle-proposé

r-~!--'--- ...... ..:-.- . .,'.-:- .....,.i lf--------r------,------------,-----.---------.--.-_.-2 ]

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations

Bahr-Sara à Manda

Figure 111.21 :

• •• prévisions --observations ••• prévisions

Juillet comparaison: observations etprévisions 1991-97 par modèle proposé

AoQt comparaison: observations etprévisions 1991-97 par modèle-proposé

~ 2 l

: :! -1.E ·2

1991 1992 1993 1994 1995 1996 1997

~ l' ;-;-,., ~o r----.•....-.--i":~kiiji;;;"'"i!'. iiiiii'--_"'s::::::;/'.=-'-_-~.7'~~--:':'""'-----'·f-T'~~;--·1

-21991 1992 1993 1994 1995 1996 1997


Septembre comparaison: observations etprévisions 1991-97 par modèle-proposé

Octobre comparaison : observations etprévisions 1991-97 par modèle-proposé

~. ~_: -----=::;::~-~~~.=-----.... ---'-.-.__=--.'--~~,--=-=..7~·.~~~.~-----'

-2

1991 1992 1993 1994 1995 1996 1997

.i 1 .-._~---,--------,_-.------r--._ .-~~.~~.----.-••• -~ ..~-2 ~

1991 1992 1993 1994 1995 1996 1997

--observations • •• prévisions --observations - •• prévisions

Novembre comparaison: observations etprévisions 1991-97 par modèle·proposé

:.---,-~~-1j .. :-~_ .•.~-2

1991 1992 1993 1994 1995 1996 1997

Décembre comparaison : observations etprévisions 1991-97 par modèle-proposé

: II-----,-:-~.:_..---r~~.~...~• .---,-~----.-::=-,-!-

-1 ~."""';:--'-':"":'':--"':'''. "::--:.-:.-:.-=- • • • - . • • •-2

1991 1992 1993 1994 1995 1996 1997




Moyenne comparaison: observations etprévisions 1991-97 par modèle-proposé

2

o +-----,---,-,-------,---.-,-~-----,-----~.0~~~'<:"""r.-

-1 • - - - -~,. -.,. -"'

-2

1991 1992 1993 1994 1995 1996 1997


Chari-Logone à N'djamena

Figure III.22 :

AoQt comparaison: observations etprévisions 1991-97 par modèle-proposé

Septembre comparaison : observations etprévisions 1991-97 par modèle-proposé

1~ 1--8 0 1------,---,--------,---,----,--------,----,

• .:::::::::0::.." . ~ ..=0. . ~ ..::=_.L.,;.;;...._.i-1 ~- -2

1991 1992 1993 1994 1995 1996 1997

2

o +---,.--------,,-----,-----,-----,---.'.-.---=-.-.."'" .. . .. - .~.~~

-1 - • • .--...::.....--~

-2

1991 1992 1993 1994 1995 1996 1997



Novembre comparaison : observations etprévisions 1991-97 par modèle-proposé

2

O+---,------,------,-------,-T-'~_+_'''--'''-,_-_

-1

-2

1991 1992 1993 1994 1995 1996 1997

_01~.~...• ..----'-------'--.; •~--- .... ~..

-2

1991 1992 1993 1994 1995 1996 1997


Décembre comparaison : observations etprévisions 1991-97 par modèle-proposé

.~ .I--------,--,~I".:-0-':'-._-----..~-..-----,----.-...--'---~-.• ----,~-..-----'

-2

1991 1992 1993 1994 1995 1996 1997

Moyenne comparaison: observations etprévisions 1991-97 par modèle-proposé

J1---------,-----.. ~....J1991 1992 1993 1994 1995 1996 1997




Char; à Sarh

Figure III.23 :

AoOt comparaison : observations etprévisions 1991-97 par modèle proposé

Septembre comparaison: observations etprévisions 1991-97 par modèle proposé

~ # # ". •••• - •••~- ••• #~-1 2.a:g-!O+------r---.-----,------,----.----,------::-----,

=:u ·1:a.5 -2

:1_~ .-====---r-.----,---~~------r.~-._~---'--•• --------'------.~ ---r-.. :--....-2

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997


:1--,-----,------~--,--j

.,.... -. ~.~-1

·2

Novembre comparaison : observations etprévisions 1991·97 par modèle proposé

-

comparaison: observations etprévisions 1991-97 par modèle proposé

~ ~0j~ ' ,..-~-----..:.... - ....c~_ ~~ • • • _

-1 •• ' ~.

-2

Octobre

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

-observations • •• prévisions --observations • • • prévisions

Décembre comparaison: observations etprévisions 1991-97 par modèle proposé

Moyenne comparaison : observations etprévisions 1991·97 par modèle proposé

.~ II----=--.:.~-·::..:·-.:--:':.:.-=.::..-:--:::::;:::;::::'-.---.-,---.---.-,---~.-.-----,-2

.~ jf----:.--------_..'----'. _~-,---------,---._ -'---._.-.---...

.2 J

1991 1992 1993 1994 1995 1996 1997 1991 1992 1993 1994 1995 1996 1997

--observations • • • prévisions --observations ••• prévisions



111.4.3- Interprétation des résultats

Par rapport aux corrélations, nous remarquons en général, qu'elles sontassez bonnes entre les indices SST-Nino et les prédictants (pluies et débits).

Quant aux indices SST-Océan global et SST-Upwelling Equatorial Atlantique, lescorrélations deviennent significatives au fur et à mesure que la saison s'installe,on atteint parfois des corrélations d'environ 0.5 entre juillet et septembre.Ceci dit, les modèles de mise à jour, élaborés sur la base des SST de la périodeJAS, aboutissent à des meilleurs scores.

L'Atlantique Equatorial Sud, présente des corrélations plus ou moins bonnes,elles tournent autour de 0.3.

Les SST de l'Atlantique Nord-Ouest montrent des faibles corrélations avec lesprécipitations dans les pays tests pour la période juste avant et pendant la saisondes pluies. Cependant aux mois de février-mars et octobre, les corrélationsaugmentent légèrement, bien qu'elles restent inférieures ou égales à 0.3. Cecipeut-être lié à l'activité au-dessus de cet océan qui donne lieu à l'anticyclone desAçores, faible pendant la période JAS, mais fort en février-mars, périodeprécédant le mois (avril) le plus chaud au Sahel.

Les modèles élaborés à l'issue des ces corrélations sont assez fiables. Lesparamètres ayant servit à leur validation, le justifient.

On a en générale:

>- 0 à 2 fausses alertes tous les dix ans,

>- 33 à 92 % de possibilité de détecter une année sèche ou humide,

>- Et des performances des modèles (HSS), variant entre 31 et 68% pourl'hydrologie et entre 40 et 63% pour les pluies.

En analysant les graphes d'évaluation des modèles sur la période 1991-1997, onremarque une nette amélioration. Ce qui traduit les fortes corrélations entre lesprédicteurs que nous avons ciblés et les prédictants (pluies et débits).Par rapport aux performances des modèles, nous avons apporté une améliorationde plus de 30 % pour certains modèles: par exemple la performance du modèlePRESAO d'octobre à Kouroussa est de 10% tandis qu'on est parvenu à 41% pourle modèle que nous avons proposé.



111.5. PROPOSITION D'UNE METHODE D'EVALUATION DEPROBABILITES

111.5.1- Objectifs et hypothèses

L'évaluation du PRESAO se fait de manière qualitative et passe par unecatégorisation des zones étudiées. En fonction de l'indice prévu à partir dumodèle, on peut dire pour la zone concernée, que la saison sera déficitaire,normale ou excédentaire en y affectant des probabilités.Les probabilités sont obtenues à l'issue d'un certain nombre de simulations, engénéral 30. Les 30 indices JAS déduits sont classés dans la série des indicesobservés, lesquels sont divisés en 3 classes (inférieure, proche et supérieure à lanormale). Un simple calcul nous donne le nombre de chances que l'année soitdans telle ou telle catégorie.

La qualité de la prévision quant à elle, est évaluée par les paramètres suivants:FAR, %C, POD et Skill. Or le nombre de fausses alertes (FAR) est implicitementlié à la probabilité annoncée lors de l'évaluation de la saison. De ce point de vue,il est indispensable de bien définir la catégorie à laquelle appartient la saison enfonction de la valeur prévue de l'indice JAS.Ceci nous a conduit à proposer une méthode d'évaluation de la saison.Cette méthode est une formalisation mathématique sur la base d'hypothèse delinéarité des probabilités, de ce qui se fait de façon empirique au PRESAO. Elle apour objectif de définir le caractère de la saison à partir de l'indice prévu par lemodèle PRESAO.

Les données de base sont les indices de pluies calculés à partir du cumulsaisonnier (JAS pour les pays du Sahel) et les indices de débits pendant lapériode des hautes eaux.

On classe les indices par ordre décroissant. Et on subdivise la série en troisclasses. Le premier tiers correspond à la catégorie supérieure à la normale, ledeuxième tiers correspond à la catégorie proche de la normale et enfin le dernierà la catégorie inférieure à la normale.

Pour le calcul des probabilités on pose les hypothèses suivantes:

» Les probabilités évoluent de façon linéaire;

» On admet qu'un indice saisonnier prévu maximum maximorum ne peut, àl'issue de n'importe quel nombre de simulations être prévu minimumminimorum de la série d'indices disponibles; par conséquent la droite desprobabilités part de la valeur maximale à la valeur nulle entre les deuxextrêmes de la série.

111.5.2- Mise au point de la Méthode

Pour calculer les probabilités dans chaque classe, on fait référence à son centrede classe (cf. figure 111.24).



On découpe chacune des trois classes initialement constituées avec les indicesobservés, en deux sous-classes de longueur « a » et séparées par le centre declasse.

Sur les figures IIl.24 à IIl.27, ces sous-classes sont notées en abscisses et lesprobabilités en ordonnées.

A présent, simulons des positions de l'indice prévu :

Figure IIl.24: Position 1

Position del'indice prévu

Projection du centre declasse sur la droite desprobabilités

b

c

d

a a a a a a

a : demi-taille d'une classe

Inférieure à laNormale

Proche de laNormale

Supérieure à laNormale

En tenant compte des hypothèses énoncées plus haut, on peut écrire :

{ d =--S.-=-.1L soit d=f-=Qa 3xa 5xa 3 5

b+c+d=100

Les variables b, c et d sont les probabilités des catégories respectivementinférieure, proche et supérieure à la normale.

La résolution de ce système d'équations donne :

b=56 c=33 et d=ll

11 SupérielJre à la normale

Et la saison est catégorisée comme suit: 33

56

Proche de la normale

Inférieure à la normale


Synthèse et Evaluation des Prévisions Saisonnières en Afrique de ,'Ouest

Figure III.25 : Position 2


b

c

d

a a a a a a

La seconde position correspond à celle du centre de classe de la catégorie« inférieure à la normale », et la droite de probabilité se trouve translatée de lavaleur « a » vers la droite.

On écrit alors :

{

--.fL__c --.12..-2xa - 4xa - 6xa

b+c+d=100

On trouve: b=50

soit

c=33 et d=17

Ainsi on définit les probabilités suivantes :


17

33

50

80


Figure 111.26 : Position 3

Ici nous avons un cas particulier où l'indice prévu se trouve à la limite des deuxclasses (inférieure à la normale et proche de la normale).

Position de l'indiceprévu

d

a a a a a a

Dans ce cas b=c, et en traçant une droite de pente égale à celle de la premièremais négative, les équations deviennent:

d _ c3xa -5xa

b=c

b+c+d=100

Ce qui donne :

soit

b=c=39 et d=22

On catégorise la saison par: 22

39

39



Figure 111.27 : Position 4

On suppose que l'indice prévu est égal à la valeur moyenne de la série d'indicesobservés.


a a a a a a

Selon le même principe que précédemment, on parvient à :

-1L=_c_4xa 6xa

Sachant que :

on trouve:

b=d=29

soit

b+c+d=100

et c=42

et d=b,

d'où les probabilités suivantes:29

42

29



Position 5 :

En avançant d'un pas « a » vers la droite, la cinquième position prévoit un indicede pluies situé entre la catégorie proche de la normale et la catégorie supérieureà la normale.Ce cas se traite de la même manière que celui correspondant à la position 3.De même, la position 6 est identique à la position 2 et la position 7 à la position1, toujours en translatant la droite d'un pas égale à « a » vers la droite.

Récapitulatif:

Tableau 111.9

Inférieure à la normale Proche de la normale Supérieure à la normale

56

33

11

50

33

17

39

39

22

1- classe 5 classe 6--. .~classe 1 classe 2

~classe 3 classe 4

• •11 17 22 29

33 33 39 42

56 50 39 29

Avec ces valeurs on peut présenter deux approches :

» Première approche:

Chaque classe est limitée par deux indices dont nous avons calculé lesprobabilités. On peut donc déterminer les probabilités moyennes pourchaclJne des six classes à partir des probabilités de leurs indices extrêmes.

Ce qui donne :

Tableau 111.10

Inférieure à la normale Proche de la normale Supérieure à la normale

53

33

14

44

36

20

~_ classe 5 classe 6--. .~classe 1 classe 2 t classe 3 classe 4

• •14 20 25 34

33 36 41 41

53 44 34 25



Ainsi dès que l'indice prévu se trouve dans une de ces six classes, on affecte à lasaison les probabilités moyennes correspondantes.

~ Deuxième approche :

La seconde approche est graphique et consiste à représenter les valeurs desprobabilités en fonction d'indices observés (cf. figures 111.28).

Figure II1.28 : probabilités selon les catégories

60

50

40fi)

~:s 30!~Co 20

10

... -.. ~.. .. ~.. V•• _.... - ./..

- .... -..",--: ?~• ......w---- .. ./ -.•

~~"- .. .... ..

~.. ..... -

~.. ...... Indices

observés

oIndiceminimum

Indicemoyen

Indicemaximum

• supérieure à la normale -..... proche de la normale • ..,. • inférieure à la normale

L'indice prévu pour la saison est projeté sur les trois courbes pour déduire lesprobabilités par catégorie. Chacune des courbes, correspond à une catégoriedonnée (inférieure, proche ou supérieure à la normale).

II convient de revoir l'hypothèse posée concernant la linéarité de la distributiondes probabilités. II ressort à travers le graphe ci-dessus que les probabilitésaffectées à ces catégories, ne sont pas linéaires. La forme généralement admiseest l'allure parabolique. Il suffirait alors de reformuler les équations donnant lesvaleurs de b, c et d, tout en conservant la démarche.

111.5.3- Exemple d'application

Nous évaluons l'hydraulicité de la rivière de Bahr-Sara (Tchad) en amont de lastation hydrométrique de Manda au cours de la saison 1997.Pour avoir une vision d'ensemble du régime d'écoulement de Bahr-Sara à Manda,nous traitons les débits moyens sur la période des hautes eaux (de juillet àdécembre).La série d'observation est de 1951 à 1990 intégrant deux années de lacunes(1980 et 1981), ce qui nous a permis de déterminer 38 indices de débits.Ces indices sont classés par ordre décroissant.



L'indice minimum (-1.55) est représenté à gauche, l'indice moyen (0.06) aumilieu de la série et l'indice maXimlJm (+2.61) à droite comme nous l'avonsreprésenté sur la figure 111.29.

Tableau III. 11 : classification d'indices observés

Probabilités par catégories

Indices Sous-classes(à partir du tableau 111.9)

Année ordonnés Inférieure à Proche de Supérieure àla normale la normale la normale

1955 2,61 Indice maxi 11* 33 561961 1,881956 1,82 Sous classe 6 14** 33 531962 1671954 1,44

1

1952 0,69 17 33 501960 0661970 0,62

20 361967 057 Sous classe 544

1963 0,521959 0461951 0,44 22 39 391969 0,301975 0301964 0301968 011 Sous classe 4 25 41 34

1957 0111953 0071966 0,071971 0,06 Indice moyen 29 42 291958 -0071974 -0,151965 -0,29 Sous classe 3 34 41 251978 -0,321976 -0341988 -0361982 -0,60 39 39 221977 -068

Sous classe 21979 -0841983 -096 44 36 20

1986 -1 081973 -1,12 50 33 171985 -1 121989 -1 141972 -118 Sous classe 1 53 33 14

1984 -1431990 -1471987 -l,55 Indice mini 56 33 11

* : valeurs ponctuelles calculées selon les différentes positions de l'indiceprévu (Figures IlI.24 à IlI.27)

** : ValelJr moyenne par sous-classe suivant les différentes catégorie(Tableau III. 10).



L'indice prévu en 1997 est 1Q=-0.93

Pour définir l'hydraulicité de Bahr-Sara, on procède suivant les deux approchesdécrites précédemment:

Première Approche:

En se referant au tableau II1.11, l'indice prévu appartient à la sous-classe 2. Onaffecte directement les probabilités de la sous-classe 2 (tableau 111.10) àl'hydraulicité de Bahr-Sara.

Soit: 20% Supérieure à la normale

36%

44%

Proche de la normale

Inférieure à la normale

Ainsi on peut dire que l'hydraulicité de Bahr-Sara à Manda était faible à normaleau cours de la saison 1997

Deuxième Approche:

On représente les données du tableau II1.11 indices de débits en abscisses etprobabilités par catégories en ordonnées.

Figure 111.29 : Evaluation de l'hydraulicité de Bahr-Sara à Manda au cours de la saison1997 (par la méthode graphique)

2,610,690,440,06-1,12 -0,60-0.93

-1,55

- -- . .0*".. .---"

-,·......... ••••• ....... ,

· - ~ ~· ...·~,.... ~·.... ..... ..... ..:*-

- III~ r -.......

~· - ~· ...· }l

"" --·· ~"." •·· .. 41 -- ,· - -·.... ••••• • :- -411~ -- ..~· --~~ ." · •· .. 1•·····•,o

10

60

50

45 ~

40

36 ~

30

2019 ~

- • • inférieure à la normale • proche de la normale ....... supérieure à la normale



La projection de l'indice prévu sur chacune des trois courbes nous donne lesprobabilités pour que l'hydraulicité soit dans telle ou telle catégorie.

On trouve les résultas suivants :19

36

45

Là également on parvient à la même conclusion. Une hydraulicité faible à normalpour la rivière de Bahr-Sara à Manda au cours de la saison 1997.



CONCLUSION

La variabilité climatique est gOIJvernée par les circulations dues auxphénomènes de convection, de subsidence et des flux des moussons.De ce fait, ce phénomène, ne peut être considéré comme une entité, maiscomme résultat d'interaction entre des phénomènes d'échelles différentes, ce quiexplique les évolutions souvent capricieuses que l'on observe (Dhonneur, 1985).Dans la sOIJs-région ouest-africaine particulièrement, les effets de la variabilitéclimatique se font sévèrement ressentir. Le retard et la baisse de la pluviométriequi en résultent, ont prit des proportions inquiétantes depuis les annéessoixante.Les catastrophes climatiques qui s'en déduisent, dont la plus redoutable est lasécheresse de part sa durée, son étendue et par la possibilité qu'elle a d'affecterpresque tOIJt le climat de la terre (Pagney, 1994), provoquent des dégâtsmatériels et humains très importants, qui mobilisent des sources financièresénormes.

Au vu de ces conséquences désastreuses, l'on cherche à maîtriser cescatastrophes, donc à connaître leurs dates d'occurrences et leurs ampleurs. Ledéveloppement d'outils de prévisions climatiques est imputable à cette envie decontrôler le climat.

Le PRESAO constitue une solution d'approche pour déterminer l'occurrence deces catastrophes à travers la prévision d'indices pluviométriques de la saison àvenir. Ce qui permet de prendre des mesures qui s'imposent afin d'atténuer leursconséquences. Il fournit une évaluation qualitative de la saison en cours, etcontribue de ce fait à une bonne gestion des ressources en eau. A partir de lacatégorie de la saison à venir, on peut proposer aux agriculteurs, les types deterrains à exploiter.

Au vu des avantages que présentent les prévisions, il convient d'élaborer desmodèles sur la base des variables qui expliquent au mielJX les précipitations etaussi les écoulements des grands fleuves ouest-africains. Le programme PRESAOmis en place par le consortium ACMAD-AGRHYMET-ICRISAT-ABN, a fait unpremier pas dans ce sens ne serait-ce que par rapport à la méthode proposée,puisque beaucoup reste à faire quant à la fiabilité des prévisions.

Au cours de notre étude, nous sommes parvenus à améliorer les prévisions dansles pays tests, avec la prise en compte des anomalies de températures desurface au niveau de l'Upwelling Equatorial Atlantique. Les corrélationssignificatives obtenues entre anomalies des cumuls JAS et anomalies destempératures de surface dans cette fenêtre, laissent penser qu'un lien existevéritablement.Cette amélioration des scores, peut aussi être due à la méthode de zonageadoptée et aux critères d'acceptation des modèles, beaucoup plus sévères quedans le cadre du PRESAO.Tous ces points démontrent une instabilité des modèles PRESAO. Ceci dit, on doitprendre en compte toutes ces insuffisances pour l'élaboration des prochainsschémas de prévisions dans la sous région Ouest-africaine.



perspectives

Un travail de recherche doit suivre pour exploiter cette approche qui met enévidence l'existence d'autres zones influençant les précipitations en Afrique del'Ouest. On peut de ce fait intégrer d'autres paramètres atmosphériques (vents,vapeur d'eau, ... etc.).Des études ont déjà montré l'existence des relations entre les précipitationssahéliennes et les paramètres climatiques suivants: le Jet d'Est Africain (AEJ), leJet d'Est Tropical (TEJ) et la quantité de vapeur d'eau dans le AEJ (Mahé etCiteau, 1993).Un autre paramètre à prendre en compte est la position à 28°W de la Zone deConvergence Intertropicale. Sa position en avril-mai a été identifié comme bonindicateur de la qualité de la saison des pluies à venir au Sahel (Mahé et Citeau,1993).Toujours par rapport à la prospection, il convient enfin d'analyser les donnéesd'Energie Statique Humide; un paramètre déterminant dans les prévisions desprécipitations en Afrique de l'Ouest.

Une évaluation des prévisions sur la période postérieure aux quatre phasesPRESAO (en disposant des données nécessaires) semble nécessaire pour l'avenirdu processus PRESAO.

Lors du processus d'élaboration des modèles de prévisions, l'exploitation desrésultats des travaux déjà effectués dans le domaine, permet de circonscrire nostravaux dans le contexte général déjà admis. Ainsi pour le besoin d'uneconsolidation des prévisions saisonnières en Afrique de l'Ouest, on peut se servirdu découpage hydroclimatique établi par Mahé et al. (1995).

Aussi, compte tenu de la variabilité spatiale des précipitations, il est nécessaired'augmenter le nombre de postes aussi bien pluviométriques qu'hydrométriquesdans l'élaboration des modèles de prévision. Une opération que nous avonsentamée à travers la collecte des données, mais que nous n'avons pas terminéefaute de temps.Sans doute la prise en compte de ces postes, amènera une informationsupplémentaire. Celle-ci atténuera le problème de représentativité des données,qui creuse l'écart entre les observations et les résultats consolidés issus desforums PRESAO.

Enfin on peut améliorer l'outil-PRESAO tant du point de vue analyse statistique,que de la présentation des résultats finaux. Pour ce dernier point on peut mettreen ligne les résultats par critères géographiques ou par noms des stationssynoptiques utilisées. Et des simples requêtes en fonction de ces critères,fourniront les prévisions pour la zone demandée. Cette opération permettra auxutilisateurs potentiels (ONG, politiques, ...etc.), l'accès facile aux résultats.



REFERENCES

BIBUOGRAPHIQUES



A- Ouvrages et articles:

1. Abarca dei Rio R., Gambis D., Salstein D. & Dewite B. (2001). El Nino et larotation de la terre. Pour la SCIENCE, N°281, mars 2001.

2. A.C.M.A.D. (1998). Prévision climatique en Afrique. WMO/TD No.927.

3. A.C.M.A.D. (1999). Prévision climatique pour l'hydrologie en Afrique. WMO/TDNo.982.

4. A.C.M.A.D. (1999). Deuxième forum sur la prévision saisonnière en Afrique del'Ouest. Dakar, 7-9 juin 1999.

5. A.C.M.A.D. (1999). Quatrième forum sur la prévision saisonnière en Afriquede l'Ouest, le Tchad et le Cameroun (PRESAO-04) sur le thème de climat etsanté, bulletin de prévision climatique, mai 2001.

6. ACMAD.-ABN-CRA. (1999). Quatrième forum sur la prévision saisonnière enAfrique de l'Ouest, le Tchad et le Cameroun (PRESAO-04) sur le thème declimat et santé. Bulletin hydrologique, mai 2001.

7. Amani A. (1999). La prévision saisonnière de la saison des pluies en Afriquede l'Ouest. Bulletin d'information du Centre Régional Agrhymet. Vol. 4 No. 22ème trimestre 1999.

8. Baldy C. (1995). Le bulletin climatique mensuel de l'OMM et la prévisionmondiale des phénomènes de sécheresse. Sécheresse, 1995, 6 : 364-365.

9. Beltrando G. & Camberlin P. (1995). Les sécheresses en Ethiopie et dans l'Estde l'Afrique. Sécheresse, 1995, 6 : 87-94.

10.Beltrando G. & Chémery L. (1995). Dictionnaire du Climat. Edition Larousse,1995.

l1.Cantat O. (1995 ). Variabilité et variation climatiques en Normandie.L'évolution récente des températures à Caen-Carpiquet. Sécheresse, 1995,6 : 273-279.

12.Chevalier P. & Pouyaud B. (1996). L'hydrologie tropicale. Géoscience et outilpour le développement. IAHS publication no.238, 54-65, 77-97: 157-166.

13.Daouda Z. D. (2001). Rapport de stage sur le Downscaling avec le modèlespectral régional de prévision climatique, ACMAD, 27 mai-26 août 2001.

14.Dhonneur G. (1985). Traité de météorologie tropicale. Météo-France, Paris,150 p.

15.European Centre for Medium-Range Weather Forecasts (1999). Workshop onApplications of Seasonal Forecasting.



16.Fontaine B. & Janicot S. ( ). Dynamique atmosphérique et conditions desurface. L'exemple de la mousson ouest-africaine. CNRS - Météo France,LMD, rapport quadriennal 1995-98.

17.Fontaine B., Janicot S., Moron V., Roucou P. & Trzaska S. (1998). Anomaliesde température de surface de la mer et précipitations tropicales. Synthèsesde quelques travaux récents portant sur les précipitations au Sahel et dans leNordeste. La Météorologie, 8è série-no 23 : 14-35.

18.Fontaine B., Janicot S., Moron V., Roucou P. & Trzaska S. (1998). L'évolutiondes idées sur la variabilité interannuelle récente des précipitations en Afriquede l'Ouest. La Météorologie 8è série-no 1 : 28-123.

19.Hutchinson P. (1990). The Southerne Oscillation and Prediction of "Der"Seasonal Rainfall in Somalia. Journal of Climate, vol. 5 : 525-531.

20.INRS-Eau (2000). Recueil des résumés. Variabilité climatique. Prévisionsaisonnière pour une gestion optimale des ressources en eau. Colloque N°l,treizièmes entretiens Jacques Cartier, Montréal, 4-5 octobre 2000.

21.Janicot S. (1990). Spatiotemporal Variability of West African Rainfall. Part 1 :Regionalizations and Typings. Journal of Climate, vol. 5 : 489-497.

22.Janicot S. (1990). Spatiotemporal Variability of West African Rainfall. Part II :Associated Surface and Airmass Characteristics. Journal of Climate, vol. 5 :499-511.

23.Janicot S. (2002). Dynamique de la Mousson Africaine. Laboratoire deMétéorologie Dynamique, Paris.

24.Janicot S. ( ). La recherche française sur le climat. La mousson d'Afrique del'Ouest. LMD, UMR 8359 CNRS - Ecole Polytechnique - ENS.

25.Janicot S. & Fontaine B. (1993). L'évolution des idées sur la variabilitéinterannuelle récente des précipitations en AfriqlJe de l'oIJest. LaMétéorologie, 8, 1 : 28-53.

26.Janicot S. & Fontaine B. (1997). Evolution saisonnière des corrélations entreprécipitations en Afrique guinéenne et températures de surface de la mer(1945-1994). Comptes-Rendues de l'Académie des Sciences, Paris: 324,785-792.

27.Landsea W. C. & Gray W. M. (1991). The strong Association between WesternSahelian Monsoon Rainfall and Intense Atlantic Hurricanes. Journal of Climate,vol. 5 : 435-453.

28.Leroux M. (1983). Le climat de l'Afrique tropicale. Editions Champion. Paris,1983.

29.Mahé G. (1992). Les écoulements fluviaux sur la façade Atlantique del'Afrique. Etude des éléments du bilan hydrique et variabilité interannuelle.



Analyse de situations hydroclimatiques moyennes et extrêmes. ThèseDoctorat. Univ. Paris-Sud Orsay.

30.Mahé G. & Olivry J.C. (1995). Variations des précipitations et desécoulements en Afrique de l'Ouest et centrale de 1951 à 1989. Sécheresse,1995, 6 : 109-117.

31.Mahé G., L'Hote Y., Olivry J-C. & Wolting G. (2001). Trends anddiscontinuities in regional rainfall of West and Central Africa : 1951-1989.Hydrological Sciences, 46(2) : 211-226.

32.Moron V. (1994). Variabilité des précipitations en Afrique tropicale au nord del'équateur (1933-1990) et relations avec les températures de surfaceocéanique et la dynamique de l'atmosphère. Centre de Recherche deClimatologie, CNRS, Dijon. 219 p.

33.Mousson africaine et ses composantes. Conférence AMMA, Niamey, 25-28février 2002.

34.Natiello N. (1998-1999). Le phénomène El I\lino. Ses impacts sur la santé,l'agriculture et la pêche. Rapport de recherche bibliographique, IRD, LODYCUniversité Paris 6 - CNRS - IRD.

35.Nevière E. (1959). Monographies de la météorologie nationale Notes sur lavariation diurne du front intertropical en Afrique équatoriale française.Relation entre les courants rapides et les types de temps en Afriqueéquatoriale. Paris 7e.

36.01ivry J. C. (1993). Evolution récente des régimes hydrologiques en AfriqueIntertropicale. L'Eau la terre et les hommes, Presses Universitaires de Nancy.

37.0.M.M. (1994). Commission des sciences de l'atmosphère. Rapport finalabrégé de la onzième session. Genève, OMM-N°808 : 9-27.

38.0uedraogo M. (2001). Contribution à l'étude de l'impact de la variabilitéclimatique sur les ressources en eau en Afrique de l'Ouest. Analyse desconséquences d'une sécheresse persistante: normes hydrologiques etmodélisation régionale. Thèse Doctorat, Univ. Montpellier II.

39.0zer P. & Erpicum M. (1995). Méthodologie pour une meilleure représentationspatio-temporelle des fluctuations pluviométriques observées au Niger depuis1905. Sécheresse, 1995, 6 : 103-108.

40.Pafadnam Y. (1988). Critique des Prévisions des pluies sur le Sahel pendant lamousson 1986. Direction de la météorologie, Ouagadougou.

41.Paturei J.E., Servat E., Koumé B., Boyer J.F., Lubes H. & Masson J.M. (1994).Inventaire des données, prétraitement pour la côte d'Ivoire, le Togo et leBénin. ICCARE, rapport n02. Antenne Hydrologique, ORSTOM-Côte d'Ivoire.



42.Philippon N., Fontaine B. (1999). un nouveau schéma de prévision statistiquedes précipitations sahéliennes de juillet-septembre (1968-1994). C. R. Acad.Des ScL, Paris, Sciences de la terre et des planètes, 1999. 329, 1-6.

43.Reason C.J.C., Allan R.J., Lindesay J.A. & Ansell T. J. (1998). ENSO andclimatic signais across the Indian Ocean basin in the global context. Part l,Interannual composite patterns. International journal of climatology 20 :1285-1327.

44.Riou C. (1980). Aspects Climatiques de la sécheresse de part et d'autre duSahara (de l'Afrique centrale sèche à la Tunisie). Cah. O.R.S.T.O.M., sér.Biol., nO 42 : 43-51.

45.Servat E. (1994). Identification et Conséquences d'une Variabilité du Climaten Afrique de l'ouest non sahélienne (ICCARE). Antenne Hydrologique,ORSTOM-Côte d'Ivoire.

46.Servat E., Hughes D., Fritsch J-M. & Hulme M. (1998). Water ResourcesVariability in Africa during the XXth Century. IAHS publication no. 252.

47.Servat E., Paturel J.E., Kouame B., Boyer F., Lubes H. & Masson J.E. (1995).Manifestation de la sécheresse en Afrique de l'Ouest non sahélienne. Cas de laCôte d'Ivoire, du Togo et du Bénin. Sécheresse, 1995, 6 : 95-102.

48.Service Météorologique du Canada (2001). Prévisions saisonnières basées surdes modèles de prévision numérique du temps.

B- Liens Internet:

1. http://www.cdc.noaa.gov/...drm/pubs/mock81-1a.html/

2. http://www.cnrs.fr/dossiers/dosclim/rechfran/4theme/cycledeleau/moussonAfOuest. html

3. http://www.ec.gc.ca/climate/primer/fsec-3.htm

4. http://www.ifremer.fr/lpo/vulgarisation/elnino/elnino.html

s. http://www.lthe.hmg.inpg.fr/catch/atmos.htm

6. http://www.mtpnet.gov.ma/dmn/cnrm.htm

7. http://www.notre-planete.info/cyclones.php

8. http://www.un.org/french/ecosocdev/geninfo/afrec/voI11no3/elninofr.htm

9. http://www.oma.be/BlRA-IASB/Public/Research/Tropo/ClimateChange.fr

10. http://www.pmel.noaa.gov/tao/elnino/nino_normal.html

11. http://www.weatheroffice.ec.gc.ca/saisons/howto_seasonal_0-3-f.html



TABLE DES MATIERES

REMERCIEMENTS 1

ABREVIATIONS 2

RESUME 3

INTRODUCTION 4

CHAPITRE 1 : VARIABILITE CLIMATIQUE 6

INTRODUCTION 7

1.1- CIRCULATION ATMOSPHERIQUE GENERALE 9

1.2- CONSEQUENCES DU PHENOMENE EL NINO A L'ECHELLE MONDIALE II

1.3- VARIABILITE HYDROCLIMATIQUE 14

1.4- MOUSSON AFRICAINE 16

CHAPITRE II: PREVISIONS SAISONNIERES EN AFRIQUE DE L'OUEST 18

INTRODUCTION 19

11.1- ZONE D'ETlTDE 20

11.2- DEMARCHE PRESAO 21

II.2.1- PRE-FORUM 21a. Indices de pluies : 21b. Indices hydrologiques : 21c. Régressions prédictants-prédicteurs : 22

II.2.2- FORUM 24II.2.3- POST-PRESAO 25

II.3- DONNEES 27

II.3.1- DONNEES PLUVIOMETRIQUES 27II.3.2- DONNEES HYDROMETRIQUES 27II.3.3- DONNEES DE TEMPERATURES DE SURFACE DE LA MER 27

II.4- TRAITEMENT DES DONNEES 29

II.5- EVALUATION DES PRESAO 31

ILS .1 EVALUATION DES MODELES DE PREVISION DES PLUIES AU BENIN 32II.5.2 EVALUATION DES MODELES DE PREVISION DES PLUIES AU TCHAD 32II.5.3 EVALUATION DES MODELES DE PREVISION POUR L'HYDROLOGIE EN GUINEE 33II.5.4. EVALUATION DES MODELES DE PREVISION POUR L'HYDROLOGIE AU MALI 34II.5 .5 EVALUATION DES MODELES DE PREVISION POUR L'HYDROLOGIE AU TCHAD 35

CONCLUSION 40

CHAPITRE ID: PROSPECTION DES VOIES D'AMELIORATION DES PRESAO 41

INTRODUCTION 42

111.1 CHOIX DES PAYS TESTS 43

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 9S


111.1.1 LA GUINEE 43111.1.2 LE MALI 43111.1.3 LE TCHAD 43111.1.4 LE BENIN 43

111.2- AMELIORATION PAR RAPPORT AUX SERIES DES PREDICTEURS 44

III.2.1 DONNEES DE TEMPERATURES DE SURFACE DE LA MER 44III.2.2 CONDITIONS DE SURFACES CONTINENTALES 44

Energie Statique Humide : 44

111.3 ELABORATION DES MODELES STATISTIQUES DE PREVISION 46

III.3.1 PREVISION SAISONNIERE DES PLUIES 46a. Régressions indices de pluies par station et indices sst 47b. Zonage 52c. Régression indices de pluies zonaux et indices ss1.. 53d. Interprétaation des résultats 55e. Elaboration des modèles 56f. Paramètres d'évaluation des modèles 57g. Evaluation des modèles 59

III.3.2- PREVISION SAISONNIERE POUR L'HYDROLOGIE 60a. Régressions indices des débits et indices sst 62

Interprétation des résultats 63b. Elaboration des modèles 64c. Evaluation des modèles proposés 65

IlIA EVALUATION DES PREVISIONS CLIMATIQUES FAITES AL'AIDE DES MODELESPROPOSES 67

mA.l EVALVATION DES MODELES DE PREVISION SAISONNIERE DES PLUIES 68a. Evaluation des modèles de prévision saisonnière des pluies au bénin 68b. Evaluation des modèles de prévision saisonnière des pluies au mali 69c. Evaluation des modèles de prévision saisonnière des pluies au tchad 70

IIIA.2- EVALVATION DES MODELES DE PREVISION SAISONNIERE DES DEBITS 71a. Evaluation des modèles de prévision saisonnière des débits en guinée 71b. Evaluation des modèles de prévision saisonnière des débits au mali 72c. Evaluation des modèles de prévision saisonnière des débits au tchad 73

111.4.3- INTERPRETATION DES RESVLTATS 77

I1I.5. PROPOSITION D'UNE METHODE D'EVALUATION DE PROBABILITES 78

111.5.1- OBJECTIFS ET HYPOTHESES 78111.5.2- MISE AU POINT DE LA METHODE 78111.5.3- EXEMPLE D'APPLICATION 84

CONCLUSION 88

REFERENCES ffiLIOGRAPHIQUES 90

TABLE DES MATIERES 95

ANNEXES i

ANNEXE 1 : MODELES DE PREVISIONS SAISONNIERES DES PLUIES AU BENINET AU TCHAD ii

ANNEXE 2: MODELES DE PREVISIONS POUR L'HYDROLOGIE AU BENIN ET AUTCHAD xiii




ANNEXES


ANNEXE 1:

MODELES DE PREVISIONS SAISONNIERES

DES PLUIES AU BENIN ET AU TCHAD

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 ii


1- Modèles de prévisions saisonnières des pluies au Bénin

1.1- Régressions indices de pluies par station et indices SST

1.1.1- Régression indices de pluies par station et indicesSST/NINO

On constate deux configurations, entre mars-juin et juillet-septembre. Pendant ladeuxième période, d'autres stations (Cotonou, Porto-Novo) réagissentfavorablement aux anomalies positives de température de surface.



0,60,40,2

op--,-G,2-G,4-G,6

0,6 ;0,40,2-G,~ h.----.,----"----., .----r,--• ...---.-,'..-. ' - , - , .,

-G,4 - •-G,6

o~ ~~ ~o _~& -? o~ # l:-0 ~'lt_# , , ~ ~, ~ ~ ,V ~'Il'

1.1.2- Régression indices de pluies par station et indicesSST1Atlantique Nord-Ouest

Pendant toute la période d'analyse, on observe les mêmes tendances dans lescorrélerions sauf qu'elles atteignent leurs maximums entre juin-juillet.

Corrélations: Indices par Station et AnomaliesSST~A67

Corrélations: Indices par Station et Anomalies SST·NWA789

0.6

1

0,4

0,2 ••o ,-G,2-G,4-G,6

- .,.-J.-I,. •0,6 •0,40,2 •

O - - --G,2 ' , '..-G,4-G,6

• • •

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 iii


1.1.3- Régression indices de pluies par station et indices SSTIEOf

Les coefficients de corrélations sont presque uniformes sur toute la périoded'étude mars à septembre. Et seules deux stations (Kandi et Nati) conserventdes bonnes corrélations avec cette zone océaniqlJe.

Corrélations: Indices par Station et AnomaliesSST·EOF45


'.0,7 j0,50,30,1 L--....---.__,...-,

-0,1 '.'.'~ ,-0,3 •••-0,5-0,7

~ ,) 0 ~o ~_~ _~v'<f~C; "0,,,0 bO""' ........

• • •O'7~0,50,30,1

-0,1 -,',------,--..--'"..-. ' • ' •-0,3 ••-0,5 '.

1.1.4- Régression indices de pluies par station et indices SSTIEA

Contrairement aux pays du Sahel, les corrélations entre les indices de pluies auBénin et les indices SST de l'Atlantique Equatorial Sud, sont très bonnes.



0,60,40,2

o-0,2-0,4-0,6

0,70,50,30,1

-0,1-0,3-0,5-0,7

1.1.5- Régression indices de pluies par station et indices SSTIUPWEQ

Dans cette fenêtre, les corrélations sont les plus importantes qu'avec toutes leszones océaniques.


Corrélations: Indices par Station et Anomalies SST·UPWEQ789

0,60,40,2

o-0,2-0,4-0,6

0,80,60,40,2

o-0,2-0,4-0,6-0,8

~ ,) 0 ~° ~_~ _~v~c; ~o ..0""' "'--....'<f..... ,,0 v ....

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 iv


1.2- Zonage

Les stations ont été regroupées en deux zones (zone sud et zone nord), commeindiqué dans le tableau ci-dessous.

Zone Sud Zone Nord

Bohicon KandiCotonou NatiDogbo ParakouPobe

Stations Porto NovoSavé

Après le zonage, nous avons calculé les indices pour chacune des zonesconstituées.

Tableau 1 : Indices pluviométriques zonaux

Années Indices Indiceszone sud zone nord

1961 -0623 -0,8781962 0174 0,7351963 2238 1,5991964 -0606 1,0911965 0285 -0,0671966 -0522 0,1221967 -0505 0,4311968 2883 0,3431969 -0350 00901970 -0405 02361971 -0063 -00031972 -0548 -0,3801973 0269 -0,2571974 0114 0,6411975 -0 184 1,1741976 -1 158 -1,2791977 -0893 -0,7921978 -0828 07971979 0862 0,1301980 0201 -0 1921981 -0354 -04811982 -1 036 -08171983 -0890 -1 3681984 -0034 -04831985 0067 04611986 -0309 -08311987 1 275 -05631988 0508 03301989 0,358 06411990 0076 -0430

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 v


1.3- Régression indices de pluies zonaux et indices SST (UPWEQ,NIN03, EOF3, EA et NWA)

Cette opération consiste à confirmer le zonage si celui-ci a lieu sur la basedes réponses entre les indices SST et les indices pluviométriques des stations;dans le cas contraire (si le zonage repose sur la classification hydroclimatique),elle nous permet d'identifier les prédicteurs ayant des fortes corrélations avec leszones en questions.

Corrélations: Indices JAS et Indices SST-UPWEQ Corrélations: Indices JAS et Indices SST-EOF3

eo134 eof45 8Of56 8Of67 8Of78 eof89 8Of789

-G,6 -L- ----"

-G,3

o

0,3

0,7

0,4

0,1 f-r-'-"-'-"_-'-~_Ioo--'--"'''''''-'--'''~-G,2

-G,5-G,8 ------------------.-- - -.- -- - -.-

Corrélations: Indices JAS et Indices SST~IN03 Corrélations: Indices JAS et Indices SST-NWA

0,5 -r------------------,

0,3

0,11------........-.....-----.--.......,-

-G,1

-G,3

-0.5 ---.-----------.-.-..-.-----.----.- - -.- "._-

0,6 .,------------------,

nln34 nln45 nln56 nln67 nln78 nln89 nln789

0,4

0,2o+--__-.---- ____

-G,2

-G,4-G,6 -1..- -==-- -"

Corrélations: Indices JAS et Indices SST-EA

0,70.,---------------_

D,50

D,3D

0,10 f------,--G,10

-G,30

-G,50-G,70 -'-- ...J

• Zone sud

• Zone nord

ea34 ea45 ea56 ea67 ea78 ea89 ea789

1.4- Elaboration des modèles:

Après l'identification des prédicteurs à fortes corrélations, nous avonseffectué d'autres régressions à l'aide du logiciel Hydrolab pour ne retenir que lesmeilleurs, avec lesquels nous avons enfin élaboré les modèles.

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 vi


Tableau 2 : Paramètres statistiques et Modèles

Zones variables Coefficients Coefficients Coefficients dede de corrélation corrélation Modèles

réaression partielle multiDleEA56 +0.11 +0.61

Sud EOF6 -0.12 -0.30 0.64 I JAs=+O.l1*EA56-constante -O.OS 0.12*EOF6-0.0SUPWEQ5 +O.Sl +0.42

EA34 -O.OS -0.43 I JAs =+O.Sl *UPWEQ5-EOF34 -0.59 -0.56 O.Sl 0.OS*EA34-

Nord EOF45 +O.4S +0.49 0.59*EOF34+0.4S*EOF45NIN56 -O.OS -0.71 -0.OS*NIN56+0.02

constante +0.02

1.5- Paramètres des modèles

Zone Sud

Prévisions


III Sèche 6 2 2 lac0Zl'li

Normale> a 6 4 la..QIIII.a0 Humide 1 3 6 la

Total 7 11 12 30

Zone Nord

Prévisions


III Sèche 7 3 a lac0:;:;l'li

Normale> 1 6 2 9..QIIII.a0 Humide a 1 S 9

Total 8 la la 28


C (0/0) 60POD sèche (0/0) 60POD humide (Ofo) 60FAR sèche (%) 14FAR humide (%) 17H.S.S (Ofo) 40

C (0/0) 75POD sèche (0/0) 70POD humide (0/0) 89FAR sèche (0/0) 00FAR humide (0/0) 00H.S.S (Ofo) 63

vii


1.6- Evaluation des modèles:

Nous présentons pour les deux zones, les indices prévus et les indices observéssur la période 1961 à 1990.

Simulation: Obervatlons-Prévlslons(zone sud)

321o ..

-1-2·3

~.... ~~ ~f:, ~ ~~ ~.... ~~ ~f:, ~'\ ~~ ~.... ~~ ~f:, ~ ~~....OJ ....OJ ....OJ ....OJ ....OJ ....~ ....~ ....~ ....~ ....~ ....0; ....0; ....0; ....0; ....0;

Simulation: Obervatlons-Prévlslons(zone nord)

2

O++-,--,~:-r--.~~~--,---J~~~-,---,---r!--r't:-.--f-+..\

-1

·2

- Observations . . . .. Prévisions - Observations ......Prévisions

2- Modèles de prévisions saisonnières des pluies au Tchad

Tableau 3 : Caractéristiques des stations utilisées

stations Coordonnées Moyenne Ecart typelongitude latitude sur 1961-90

Abeché 20 0 51E 13°51N 318 115Am-timam 20 0 17E 11°02N 569 107Ati lso19E 13°13N 318 123Baibokoum 15°41E 07°44N 797 145Bousso 16°43E 100 29N 573 147Goz-beida 21°25E 12°14N 438 104Lai 16°1SE 09°24N 688 147Melfi 17°56E 11°04N 519 118Moissala 17°46E Oso20N 718 124Mongo lso41E 12°11N 523 166Moundou 16°04E Oso37N 758 139Moussoro 16°30E 13°39N 241 89N'djamena 15°02E 12°0SN 403 122Pala 14°55E 09°22N 650 126

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 viii


2.1- Régressions indices de pluies par station et indices SST

2.1.1- Régressions indices de pluies par station et indicesSST/NINO

Corrélations: Indices par Station et AnomaliesSSTNIN45

0,60,40,2Ot-.rn., .--,.......,., ..-.ro--...-- .....--..,-.

·0,2-0,4·0,6

Corrélations: Indices par Station et AnomaliesSSTNIN89

0,60,40,2

Ot-...--..,---.--,.......,.,---.....--...-rTI-0,2-0,4-0,6

2.1.2- Régressions indices de pluies par station et indicesSST1Atlantique Nord-Ouest

Corrélations: Indices par Station et AnomaliesSST·NWA45

Corrélations: Indices par Station et AnomaliesSST·NWA89

2.1.3- Régressions indices de pluies par station et indicesSSTIOcéan Global

0,70,50,30,1~.1~,3~,S~,7

Corrélatlol18 : Indices par Station et AnomaliesSST·EOF45

0,70,50,30,1~,1~,3

~.S~,7

Corrélations: Indices par Station et AnomaliesSST·EOF89

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 ix


2.1.4- Régressions indices de pluies par station et indicesSST/ Atlantique Equatorial



0,60,"0,2O+-~L,-,,'-''''-~~''''''-''''.--n.--r-' ~,-"""

-0,2 --0,"-0,6

~. ~~ ~ ~~ .,.,p ~b" ,~ ~~ ~,. ~<i bO~ 0..,0 .~,. ~,.:J' ~~..o'+-0..o~ #' ~ ~t6' ~o ~~ ~t6' ~~ q~,.~ J!- v<i ~o ~o# ~~

2.1.5- Régressions indices de pluies par station et indices SST/UPWEQ

Corrélations : Indices par Station et AnomaliesSST-UPWEQ56

2.2- Zonage

Corrélations: Indices par Station et Anomalies SST·UPWEQ789

Pour le cas du Tchad, compte tenu de la position géographique des stations(situées entre 07°N et 13° N (zone soudanienne), nous avons constitué uneseule zone.

Tableau 4 : Indices pluviométriques zonaux

Années Indices zonaux1961 0,981962 1,091963 0,211964 1,151965 -0,041966 -0,251967 0,481968 -0,271969 0,181970 0,891971 -0,211972 -0,631973 -0,311974 0,121975 0,86

Années Indices zonaux1976 -0,351977 -0,131978 0,281979 -0,521980 0,041981 0,011982 -0,601983 -0,641984 -1,771985 -0,351986 -0,131987 -0,901988 1,651989 -0,611990 -0,77

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 x


2.3- Régressions indices de pluies zonaux et indices SST

Nous avons corrélé les indices pluviométriques de la zone ainsi constituée avecles indices SST de tous les prédicteurs (UPWEQ, NIND3, NWA, EA et EDF3).

Corrélations: Indices JAS et Indices SST·UPWEQ

0,5

0,3

0,1

-0,1

·0,3

-0,5

~~~-~~b~~~~_~~·h~~ee.0; .Ol .0; .<:$. .00-,($,,0.;~ ~~ ~. tl ~~~ ,# ~'6

~~~~~$~~~~~~~~'~/~ ~ ~ ~ ~ ~ ~ ~ ~ ~

Corrélations: Indices JAS et Indices SST·NIN03

0,5

0,3

0,1

-0,1

-0,3

-0,5

Corrélations: Indices JAS et Indices SST-EOF3

Corrélations: Indices JAS et Indices SST-NWA

0,6

0,4

0,2

o-0,2

-0,4

-0,6

~l ~~

Corrélations: Indices JAS et Indices SST-EA

0,5 l0,3

0,1

-0,1

-0,3

-0,5

ea6 ea34 ea45 ea56 ea67 ea78 ea89 ea789

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xi


2.4- Elaboration du modèle

A l'aide du logiciel Hydrolab, nous avons mené des régressions linéairesmultiples. A l'issue de cette opération, nous avons retenu les prédicteurs dont lescorrélations sont significatives à plus de 95 % (soit moins de 5 % de hasard).Avec ces prédicteurs, nous avons effectué d'autres régressions pour ne retenirque ceux qui présentent les meilleurs coefficients de corrélation.

Tableau 5 : Paramètres statistiques et Modèles

Coefficients de Coefficients Coefficients corrélationModèles variables régression corrélation multiple

DartielleI1As=-0.12*EOF45- EOF45 -0.12 -0.390.05*NIN7+0.20 NIN7 -0.05 -0.56 0.62

constante +0.20

2.5- Paramètres du modèle

Prévisions


CIl Sèche 5 4 1 10c0;ca

Normale 1 6 3 10~CIlCIl.00 Humide 0 3 7 10

Total 6 13 11 30

C (%) 60POD sèche (%) SOPOD humide (%) 70FAR sèche (%) 00FAR humide (%) 09H.S.S (%) 40

2.5- Evaluation du modèle

Nous présentons ci-dessous les graphes de simulations entre prévisions etobservations sur la période 1961-90.

Simulation: Obervations-Prévisions(modèle de prévision)

2

1

Of--,-'-t.'-,---r\<l:--fr-*,~-r\-':r---r--'JI'--.'-*,~.-::-l7'"'r'U--,-c"-T-'.....-::--r---lr-,\;-r--,

-1

-2

10" !O~ 10" ~ 100" ~" ~~ ~" ~~ ~OJ !b" !b~ !b" ~ !bOJ"q "q "q "q "q "0,, "0,, "0,, "0,, "0,, "q "q "q "q "q

--Observations . . . .. Prévisions

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xii


ANNEXE 2:

MODELES DE PREVISIONS POUR L'HYDROLOGIE

Ml Bms1lN ET AU TCHADËN GUINEf:

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xiii


Selon la même procédure que celle décrite pour le cas du Mali, des modèles deprévision pour l'hydrologie, ont été élaborés pour la Guinée et le Tchad. Nousprésentons ci-après les modèles et leurs paramètres d'évaluation.

1- prévisions pour l'hydrologie en Guinée

Niger à Kouroussa :

Mois retenus Modèles

Juillet IQ =-0,21*EA4+0,12*EA45-0,21*EOF4+0,05*NIN4+0,37

Août IQ =-O,13*EA4+0,l*EA5+0,08

Septembre IQ =-0,11*EA4+0,06*EA5-0,27*EOF4+0,42

Octobre IQ =-O,07*EA4-0,28*EOF4+0,41

Novembre IQ =-O,13*EA5+0,92*UPWEQ5-0,6

Moyenne IQ =-O,09*EA4-0,25*EOF4+0,4

PARAMETRES D'EVALUATION DES MODELESFaible Forte

MODELE DES MOIS DE C (%) Hydraulicité HydraulicitéHSS(%) POO FAR POO FAR

JUILLET 56 34 57 00 38 11

AOUT 60 39 33 20 38 00

SEP"rEMBRE 71 56 79 07 62 17

OCTOBRE 61 41 71 08 50 00

NOVEMBRE 62 42 58 00 45 12

MOYENNE 61 41 54 10 64 14

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xiv


2- prévisions pour l'hydrologie au Tchad

2.1- Logone à Lai


Juillet IQ =-0,22*EOF2-0,72*UPWEQ2+0,92

Août IQ =-0,18*NIN5+0,2*NIN6+0,24*NIN45-0,19*NIN67-0,14*EOF4-0,1*NIN2+0,17

Septembre IQ =-0,27*EOF45+0,29

Octobre IQ =-0,08*EA4-0,22*EOF34-0,07*NIN67+0,07*NWA5+0,46

Novembre IQ =-0,11*EA34-0,18*EOF4+0,06*I\lWA45+0,35

Moyenne IQ =-0,09*EA34-0,24*EOF4+0,44


MODELE DES MOIS DE C (%) Hvdraulicité HvdraulicitéHSS(%) POO FAR POO FAR

JUILLET 61 42 67 00 50 00

AOUT 59 39 62 00 67 17

SEPTEMBRE 66 49 69 00 69 09

OCTOBRE 58 37 54 00 62 09

NOVEMBRE 58 37 50 00 62 00

MOYENNE 62 43 83 00 54 09

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xv


2.2- Bahr-Sara à Manda


Juillet IQ =-O,08*EA34-0,27*EOF4+0,43

Août IQ =-O,26*EOF4-0,51 *UPWEQ4+0,96

Septembre IQ =-O,09*EA3-0,21 *EOF45-0,04*NIN7+0,08*NWA3+0,3

Octobre IQ =-0,21 *EOF4-0,07*NIN45-1,31 *UPWEQ34+ 1,9

Novembre IQ =-O,2*EOF4-0,ll *NIN4+0,25*NIN45-0,16*NIN56-O,54*UPWEQ2-2,61 *UPWEQ34+ l,55*UPWEQ45+2,34

Décembre IQ =-0,31 *EOF4-0,04*NIN789-1,32*UPWEQ34+2,03

Moyenne IQ =-O,08*EA34-0,29*EOF45-0,12*NIN45+0,18*NIN56-O,14*NIN67+0,07*I\lWA4+0,39


MODELE DES MOIS DE C (%) Hvdraulicité HvdraulicitéHSS(%) POD FAR POD FAR

JUILLET 61 41 58 00 77 00

AOUT 61 41 67 00 77 12

SEPTEMBRE 63 45 69 08 62 08

OCTOBRE 66 47 67 00 67 08

NOVEMBRE 63 45 64 00 85 00

MOYENNE 71 57 67 00 85 00

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xvi


2.3- Chari-Logone à N'djamena


Août IQ =-O,07*EA3-0,32*EOF34+0,53

Septembre IQ =-O,06*EA34-0,31*EOF45+0,36

Octobre IQ =-O,27*EOF45-0,05*I\lIN7+0,31

Novembre IQ =-O,07*EA45-0,24*EOF45-0,05*NIN5+0,31

Décembre IQ =-0,1*EA34-0,27*EOF4-0,05*NIN7+0,5

Moyenne IQ =-O,09*EA34-0,27*EOF45-0,04*NIN5+0,37

PARAMETRES D'EVALUAnON DES MODELESFaible Forte

MODELE DES MOIS DE C (0/0) Hvdraulicité HvdraulicitéHSS(0/0) POD FAR POD FAR

AOUT 61 41 85 00 58 00

SEPTEMBRE 61 41 83 00 69 00

OCTOBRE 61 41 75 00 62 00

NOVEMBRE 66 49 75 00 69 00

DECEMBRE 74 61 69 00 92 00

MOYENNE 68 53 92 00 62 00

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xvii


2.4- Chari à Sarh


Août IQ =+O,05*EA5-0,14*EA34-0,33*EOF34+0,58

Septembre IQ =-O,09*EA34-0,18*EOF3-0,05*I\IIN5+0,4

Octobre IQ +O,14*EA5-0,22*EA45-0,2*EOF45-0,04*NIN5+0,3

Novembre IQ =-0,11*EA34-0,25*EOF45-0,03*NIN5+0,38

Décembre IQ =-0,1*EA34-0,24*EOF4-0,04*NIN5+0,45

Moyenne IQ =-0,1*EA34-0,24*EOF45-0,04*NIN5+0,36


MODELE DES MOIS DE C (010) Hydraullcité HydraulicitéHSS(010) POD FAR POD FAR

AOUT 79 68 85 00 69 00

SEPTEMBRE 61 41 69 10 58 00

OCTOBRE 63 45 69 00 67 00

NOVEMBRE 66 49 77 00 67 00

DECEMBRE 68 53 77 00 67 00

MOYENNE 68 53 85 00 69 00

DEA Sciences de l'Eau dans l'Environnement Continental, 2002 xviii

Synthèse et évaluation des prévisions saisonnières en...

Documents

Transcript of Synthèse et évaluation des prévisions saisonnières en...